viviane araujo da silva · 2016. 4. 6. · viviane araujo da silva a financeirizaÇÃo do mercado...

VIVIANE ARAUJO DA SILVA

A FINANCEIRIZAÇÃO DO MERCADO FUTURO AGROPECUÁRIO NO

BRASIL

Dissertação apresentada à Universidade Federal

de Viçosa, como parte das exigências do

Programa de Pós-Graduação em Economia

Aplicada, para obtenção do título de Magister

Scientiae.

VIÇOSA

MINAS GERAIS-BRASIL

2012

Ficha catalográfica preparada pela Seção de Catalogação e Classificação da Biblioteca Central da UFV

T Silva, Viviane Araujo da, 1978- S586f A financeirização do mercado futuro agropecuário no Brasil2012 / Viviane Araujo da Silva. – Viçosa, MG, 2012. xii, 106f. : il. ; (algumas color.) ; 29cm. Inclui anexos. Inclui apêndice. Orientador: Leonardo Bornackide Mattos Dissertação (mestrado) - Universidade Federal de Viçosa. Referências bibliográficas: f. 73-79 1. Mercado futuro - Brasil. 2. Bolsa de Mercadorias & Futuros. 3. Agropecuária - Aspectos econômicos. I. Universidade Federal de Viçosa. Departamento de Economia Rural. Programa de Pós-Graduação em Economia aplicada. II. Título. CDD 22. ed. 332.644

VIVIANE ARAUJO DA SILVA

A FINANCEIRIZAÇÃO DO MERCADO FUTURO AGROPECUÁRIO NO

BRASIL

Dissertação apresentada à Universidade Federal

de Viçosa, como parte das exigências do

Programa de Pós-Graduação em Economia

Aplicada, para obtenção do título de Magister

Scientiae.

APROVADA: 29 de outubro de 2012.

_______________________________ _______________________________

Thiago Melo Teixeira da Costa Alexandre Bragança Coelho

________________________________

Leonardo Bornacki de Mattos

(Orientador) (Orientador)

ii

AGRADECIMENTOS

A vida é um livro onde cada capítulo registra as etapas de nossa existência. Hoje,

acabo de completar mais uma etapa, construída com coragem, dedicação, inspiração e,

principalmente, transpiração.

Nesta árdua caminhada, as dificuldades foram muitas, só não foram maiores que a

minha vontade de vencer. Nos momentos mais difíceis, pude contar com o apoio de vários

amigos, cuja ajuda foi imprescindível para a conclusão de mais um capítulo de minha vida. A

essas pessoas, deixo agora meus sinceros agradecimentos.

Inicialmente, agradeço à professora Claudia Sonaglio e aos demais professores da

UEMS, que me ajudaram a embarcar nessa grande aventura que foi cursar o Mestrado em

Viçosa, incluindo toda a doce loucura envolvida no processo.

Aos professores do Departamento de Economia Rural, que me presentearam com a

oportunidade de ingressar neste valioso curso e conviver com o que há de melhor no universo

acadêmico, contribuindo decisivamente para a minha formação profissional e pessoal.

Ao professor Leonardo de Mattos, meu estimado orientador, que com toda a paciência

do mundo, teve a humildade e a competência de dirigir este trabalho, mesmo diante de todas

as adversidades.

Ao professor Alexandre Coelho, pelas significativas contribuições a esta pesquisa.

À eficiente e solícita Carminha, pela solidariedade e ajuda na resolução dos mais

variados problemas.

À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pelo

financiamento dos meus estudos, tornando possível a realização deste sonho.

À Didinha, pelo apoio incondicional, estando sempre disposta a escutar minhas

queixas, reclamações e mudanças frequentes de humor.

Por fim, mas não menos importante, a todos os meus colegas (família) de mestrado,

cujo apoio foi essencial para a conclusão dessa jornada, em especial à turma de julho/2010,

Paulo Henrique Cirino, Lilian Valeriano, Lorena Costa, Pedro Cañete e meu irmão Felippe

Clemente. Mesmo distante a maior parte do tempo, sempre estive e estarei perto de vocês,

levando-os para sempre na memória e no coração.

iii

SUMÁRIO

Página

LISTA DE TABELAS ........................................................................................................... v

LISTA DE FIGURAS ......................................................................................................... viii

RESUMO ............................................................................................................................. ix

ABSTRACT ........................................................................................................................ xi

1 INTRODUÇÃO .................................................................................................................. 1

1.1 Considerações Iniciais ...................................................................................................... 1

1.2 O problema e sua importância ......................................................................................... 7

1.3 Hipótese ........................................................................................................................ 10

1.4 Objetivos ....................................................................................................................... 10

1.4.1 Objetivo Geral .......................................................................................................... 10

1.4.2 Objetivos Específicos .............................................................................................. 11

2 REFERENCIAL TEÓRICO .......................................................................................... 12

2.1 A Moderna Teoria do Portfólio ...................................................................................... 12

2.2 O Modelo CAPM .......................................................................................................... 15

2.3 Modelo de Negociação de Ativos .................................................................................. 16

3 METODOLOGIA ............................................................................................................ 25

3.1 Referencial Analítico ..................................................................................................... 25

3.1.1 Transmissão de volatilidade entre mercados ............................................................... 25

3.1.2 Causalidade entre a volatilidade dos retornos dos índices financeiros e a volatilidade dos

retornos do mercado futuro agropecuário no Brasil ............................................................. 29

3.1.3 Relação entre volume negociado e retorno dos preços ................................................ 30

3.2 Fonte de dados .............................................................................................................. 32

4 RESULTADOS E DISCUSSÃO ...................................................................................... 34

iv

4.1 Transmissão de volatilidade entre o mercado financeiro e o mercado futuro agropecuário

no Brasil .............................................................................................................................. 34

i. Mercado financeiro internacional – mercado futuro agropecuário ..................................... 35

ii. Mercado financeiro nacional – mercado futuro agropecuário............................................ 44

4.1.2 Covariância entre o mercado financeiro e o mercado futuro agropecuário .................... 51

i. Mercado financeiro internacional – mercado futuro agropecuário ..................................... 52

ii. Mercado financeiro nacional – mercado futuro agropecuário............................................ 54

4.2 Relação causal entre a variância dos retornos dos mercados financeiros e a variância dos

retornos dos mercados futuros .............................................................................................. 57

4.3 Relação entre volume e variação dos preços futuros ...................................................... 62

5 RESUMO E CONCLUSÕES ............................................................................................ 70

REFERÊNCIAS .................................................................................................................. 73

APÊNDICE ......................................................................................................................... 80

ANEXOS ............................................................................................................................. 94

v

LISTA DE TABELAS

Página

Tabela 1 – Evolução do número de contratos negociados e do volume financeiro no segmento

agropecuário da BM&FBOVESPA, período 2001-2011 ......................................................... 5

Tabela 2 - Características dos contratos futuros agropecuários negociados na

BM&FBOVESPA ................................................................................................................ 27

Tabela 3 – Características das séries de retornos dos mercados financeiros, internacional e

nacional, e do mercado futuro agropecuário brasileiro, período 2002-2011........................... 35

Tabela 4 - Resultados do modelo BEKK para os retornos do índice S&P500 e dos contratos

futuros de boi gordo, período 2002-2011 .............................................................................. 36

Tabela 5 – Resultados do modelo BEKK para os retornos do índice S&P500 e dos contratos

futuros de milho, período 2002-2011 .................................................................................... 38


futuros de café arábica, período 2002-2011 .......................................................................... 39


futuros de soja, período 2002-2011 ...................................................................................... 40

Tabela 8 – Resultados do modelo BEKK para os retornos do índice Ibovespa e dos contratos

futuros de boi gordo, período 2002-2011 .............................................................................. 45


futuros de milho, período 2002-2011 .................................................................................... 46


futuros de café arábica, período 2002-2011 .......................................................................... 47


futuros de soja, período 2002-2011 ...................................................................................... 48

Tabela 12 – Resultados do teste de causalidade de Cheung e Ng (1996) para as volatilidades

dos retornos do índice S&P500 e dos contratos futuros de boi gordo, milho, café arábica e

soja comercializados na BM&FBOVESPA, período 2002-2011 ........................................... 58

vi


dos retornos do índice Ibovespa e dos contratos futuros de boi gordo, milho, café arábica e

soja comercializados na BM&FBOVESPA, período 2002-2011 ........................................... 60

Tabela 14 – Características das séries de volume diário dos contratos futuros agropecuários

comercializados no período 2002-2011 ................................................................................ 62

Tabela 15 – Resultados da estimação do modelo VAR para os retornos dos preços e o volume

de contratos futuros de boi gordo comercializados no período 2002-2011 ............................ 63


de contratos futuros de milho comercializados no período 2002-2011 .................................. 64


de contratos futuros de café arábica comercializados no período 2002-2011 ......................... 65


de contratos futuros de soja comercializados no período 2002-2011 ..................................... 66

Tabela 19 – Resumo dos resultados da pesquisa ................................................................... 68

Tabela A1 – Mercado futuro de boi gordo ............................................................................ 80

Tabela A2 – Mercado futuro de milho ................................................................................. 81

Tabela A3 – Mercado futuro de café arábica ........................................................................ 82

Tabela A4 – Mercado futuro de soja..................................................................................... 83

Tabela B1 – Teste de raiz unitária Dickey-Fuller aumentado nas séries de retornos do índice

S&P500, índice Ibovespa e contratos futuros agropecuários de boi gordo, milho, café arábica

e soja, período 2002-2011 .................................................................................................... 84

Tabela B2 – Teste de raiz unitária Dickey-Fuller aumentado nas séries de volume diário

comercializado dos contratos futuros agropecuários de boi gordo, milho, café arábica e soja,

período 2002-2011 ............................................................................................................... 85

Tabela C1 – Resultados do Teste do Multiplicado de Lagrange aplicado aos resíduos das

séries de retornos, período 2002-2012 .................................................................................. 86

Tabela F1 - Seleção do Modelo (VOL_BGI DLOGBGI) para estimação do VAR - 2002:01 a

2011:12 ................................................................................................................................ 92

vii

Tabela F2 - Seleção do Modelo (VOL_CCM DLOGCCM) para estimação do VAR - 2002:01

a 2011:12 ............................................................................................................................. 92

Tabela F3 - Seleção do Modelo (VOL_ICF DLOGICF) para estimação do VAR - 2002:01 a

2011:12 ................................................................................................................................ 93

Tabela F4 - Seleção do Modelo (VOL_SFI DLOGSFI) para estimação do VAR - 2002:10 a

2011:12 ................................................................................................................................ 93

viii

LISTA DE FIGURAS

Página

Figura 1 – Evolução das cotações diárias dos contratos futuros agropecuários negociados na

BM&FBOVESPA, período 2002-2011 .................................................................................. 2

Figura 2 – Relação entre volume, mudança de preços e participantes otimistas (j*/N) ........... 23

Figura 3 - Volatilidade diária dos retornos do índice S&P500 e dos contratos futuros de boi

gordo, milho, café arábica e soja, período 2002-2011 ........................................................... 42

Figura 4- Volatilidade diária dos retornos do índice Ibovespa e dos contratos futuros de boi

gordo, milho, café arábica e soja, período 2002-2011 ........................................................... 50

Figura 5 – Covariância diária entre os retornos do índice S&P500 e os retornos dos contratos

futuros de boi gordo, milho, café arábica e soja, período 2002 – 2011 .................................. 52

Figura 6 – Covariância diária entre os retornos do índice Ibovespa e os retornos dos contratos

futuros de boi gordo, milho, café arábica e soja, período 2002 – 2011 .................................. 55

ix

RESUMO

DA SILVA, Viviane Araujo. M.Sc., Universidade Federal de Viçosa, Outubro de 2012. A

Financeirização do Mercado Futuro Agropecuário no Brasil. Orientador: Leonardo

Bornacki de Mattos.

Ao longo das últimas décadas, os preços das commodities registraram vários períodos de

grande oscilação, tanto com tendência de baixa quanto de alta. O último movimento

observado iniciou-se no ano de 2002 e, contrariando as expectativas, mostrou-se persistente e

abrangente, atingindo tanto as soft commodities, que são os produtos cultivados, quanto as

hard commodities, que são os produtos extraídos ou minerados. Desde então, vários fatores

têm sido apresentados como possíveis determinantes do ciclo altista dos preços. Esse cenário

estaria sendo fomentado, entre outros fatores, pelo crescente aumento da demanda mundial,

destacando-se China e Índia, pelo aumento da utilização de cereais para a produção de ração

animal e pelo incentivo à produção de biodiesel, enquanto que, atuando do lado oferta,

estariam as mudanças climáticas e a manutenção de baixos estoques. Além dos motivos

apresentados, outro fator abordado pela literatura, e que se constitui no objeto de estudo desta

pesquisa, é o aumento da atividade especulativa no mercado futuro de commodities,

denominada financeirização. A financeirização tem sido apontada como um dos fatores

responsáveis pela formação de uma bolha especulativa nos mercados futuros de alimentos,

gerando instabilidade ao provocar o aumento dos preços e da volatilidade. Não há na literatura

corrente, especialmente no Brasil, estudos específicos que abordem o impacto da

financeirização sobre a volatilidade dos mercados futuros de commodities agropecuárias.

Dessa forma, objetivou-se com esta pesquisa analisar a influência dos mercados financeiros,

internacional e nacional, sobre o mercado futuro agropecuário no Brasil, verificando se o

aumento do volume de negociações com contratos futuros tem sido acompanhado de aumento

da volatilidade nos mercados futuros de boi gordo, milho, café arábica e soja. Ademais, diante

da hipótese de que o aumento do volume de negociações em futuros esteja causando o

aumento dos preços dos alimentos, foi examinada a existência de relação causal entre o

volume de contratos futuros comercializados e os preços futuros das commodities. O estudo

compreendeu o período entre os anos de 2002 e 2011. Para a análise da transmissão de

volatilidade foi utilizado o modelo GARCH multivariado BEKK, enquanto que a verificação

x

da causalidade na variância se deu por meio da avaliação da significância estatística da função

de correlação cruzada dos resíduos padronizados ao quadrado das séries financeiras, oriundos

da estimação de modelos GARCH univariados. A investigação da existência de relação linear

causal entre o volume comercializado de contratos futuros e os retornos das cotações desses

contratos foi realizada utilizando-se o modelo de Auto-Regressão Vetorial (VAR). Os

resultados mostram haver transmissão de volatilidade entre o mercado financeiro

internacional e o mercado futuro de milho, café arábica e soja, enquanto não foi detectada

transmissão de volatilidade entre o mercado financeiro internacional e o mercado futuro de

boi gordo. Com relação ao mercado financeiro nacional, os resultados apontam para a

existência de transmissão de volatilidade deste mercado apenas para o mercado futuro de

milho, enquanto que no mercado futuro de boi gordo, a transmissão se dá na direção oposta.

Não há indícios de transmissão de volatilidade entre o mercado financeiro nacional e os

mercados futuros de café arábica e soja, em nenhuma direção. O teste de causalidade na

variância indicou que no período 2002-2011, com exceção da relação mercado financeiro

nacional-mercado futuro de boi gordo, a volatilidade do mercado financeiro não causou a

volatilidade dos mercados futuros, assim como a volatilidade dos mercados futuros não

causou a volatilidade do mercado financeiro. Os resultados também indicam não haver

relação linear causal partindo do volume de contratos futuros negociados em direção aos

retornos dos preços. Considerando a análise da relação causal partindo dos retornos dos

contratos futuros em direção ao volume comercializado, os resultados foram divergentes, nos

mercados futuros de boi gordo e soja não foi detectada relação causal, enquanto que, nos

mercados futuros de milho e café arábica ficou comprovado que os retornos dos preços

futuros precedem temporalmente o volume negociado. Deve-se considerar que esta análise

não permite avaliar a existência de correlação contemporânea entre as variáveis. De acordo

com este estudo, não foi possível confirmar a hipótese de que o aumento do volume de

comercialização de contratos futuros, provocado pela financeirização, esteja contribuindo para

o aumento dos preços e da volatilidade das commodities agropecuárias no Brasil.

xi

ABSTRACT

DA SILVA, Viviane Araujo. M.Sc., Universidade Federal de Viçosa, October, 2012. The

Financialization of Agricultural Future Market in Brazil. Adviser: Leonardo Bornacki de

Mattos.

Over the last decade, commodity prices registered several periods of great oscillation, with

both downtrend as high. The last observed movement began in 2002 and, contrary to

expectations, was persistent, wide-reaching both soft commodities, which are grown produce,

as the hard commodities, which are the products extracted or mined. Since then, several

factors have been reported as possible determinants of upward price cycle. This scenario was

being fostered, among other factors, by increasing global demand, especially China and India,

the increased use of cereals for animal feed production and encouraging the production of

biodiesel, while working side supply, climate change and low inventories. Besides the reasons

given, another factor addressed by literature, and that is the object of this research is the

increase in speculative activity in the commodity future market, called financialization. The

financialization has been identified as one of the factors responsible for the rising of a

speculative bubble in the future market of food, leading to instability by causing higher prices

and volatility. There isn’t in the literature, especially in Brazil, studies specifically addressing

the impact of financialization on the volatility of agricultural commodity future markets.

Thus, the aim of this research was to examine the influence of financial markets, international

and national, on the agricultural future market in Brazil, checking whether the increased

trading volume in future contracts has been accompanied by increased volatility in cattle,

corn, soybean and arabica coffee future markets. Moreover, given the hypothesis that the

increase in trading volume in future markets is causing the increase in food prices, we

examined the existence of a linear causal relationship between the volume of traded future

contracts and commodity future prices. The study included the period between the years 2002

and 2011. For the analysis of volatility transmission model was used GARCH BEKK

multivariate model, while checking the causality in variance is given by evaluating the

statistical significance of the cross-correlation function of the squared standardized residuals

of financial series, from the estimation of univariate GARCH models. The investigation of the

existence of linear causal relationship between the volume of traded future contracts and the

xii

returns of the prices of these contracts was performed using the Vector Autoregression model

(VAR). The results show there is transmission of volatility between the international financial

market and the corn, soybeans and arabica coffee future markets, while not detected

transmission of volatility between the international financial market and the cattle future

market. With respect to the domestic financial market, the results point to the existence of

transmission of volatility in the market only for the corn future market, while in the live cattle

future market, the transmission takes place in the opposite direction. There is no evidence of

transmission of volatility between the domestic financial market and the arabica coffee and

soybean future markets. The causality-in-variance test indicated that the variance in the period

2002-2011 (with the exception of the domestic financial market - cattle future market

relationship), the financial market volatility has not caused the volatility of future markets as

well as the volatility of the future market did not cause financial market volatility. No linear

causal relationship was detected from the returns of future contracts to traded volume in the

cattle and soybean future markets, whereas in the corn and arabica coffee future markets the

returns of future prices temporally precedes the volume traded. However, these results do not

allow evaluate the existence of contemporaneous correlation between these variables.

According to this study it was not possible to confirm the hypothesis that the increased

volume of trading of future contracts, caused by financialization, is contributing to increased

volatility and prices of agricultural commodities in Brazil.

1

1 INTRODUÇÃO

1.1 Considerações Iniciais

Ao longo das últimas décadas, os preços das commodities registraram vários períodos

de grande oscilação, tanto com tendência de baixa quanto de alta. O último movimento

observado iniciou-se no ano de 2002 e, contrariando as expectativas, mostrou-se persistente e

abrangente, atingindo tanto as soft commodities, que são os produtos cultivados, quanto as

hard commodities, que são os produtos extraídos ou minerados.

Durante a crise financeira do subprime, na primeira metade de 2007, os maiores

incrementos de preços se deram nos mercados de commodities metálicas, particularmente nos

mercados de minério de ferro, cobre e estanho. A partir do segundo semestre de 2007, foram

as commodities alimentícias e o petróleo que passaram a apresentar aumentos mais

significativos no preço e na volatilidade. Com exceção de breves e esporádicos períodos, os

preços mantiveram sua trajetória ascendente no decorrer da década.

No pós-crise, período compreendido entre o início do segundo semestre de 2010 e os

primeiros meses de 2011, os preços internacionais dos alimentos voltaram a aumentar,

chegando inclusive a superar, em alguns casos, os maiores níveis alcançados nos anos de

2007 e 2008, auge da crise financeira internacional1. No Brasil, como podem ser observados

na Figura 1, os preços futuros das commodities agropecuárias seguiram a tendência mundial,

apresentando movimento altista a partir de 2002, registrando uma pequena queda entre 2009 e

2010, retomando em seguida sua trajetória ascendente.

Autores como Prates (2007), Romano (2008), Da Silva e Tavares (2008), Wray

(2009), Mendonça e Rosset (2009), Silva e Correa (2009) e Ogg (2010) têm apresentado

várias explicações para o boom dos preços no mercado de commodities, fundamentando-se,

principalmente, na existência de uma oferta contraída em face de uma demanda crescente.

Esse cenário estaria sendo fomentado, entre outros fatores, pelo crescente aumento da

demanda mundial, destacando-se China e Índia, pelo aumento da utilização de cereais para a

produção de ração animal e pelo incentivo à produção de biodiesel, enquanto que, atuando do

lado oferta, estariam as mudanças climáticas e a manutenção de baixos estoques.

1 Nesta pesquisa, os anos de 2007 e 2008 são considerados como anos de início e fim da crise financeira do

subprime, o que não quer dizer que a mesma, necessariamente, tenha iniciado e acabado nesse período. Trata-se

unicamente de uma hipótese metodológica para atender ao objetivo da pesquisa.

2

Figura 1 – Evolução das cotações diárias dos contratos futuros agropecuários negociados na

BM&FBOVESPA, período 2002-2011.

Fonte: Elaborada pela autora com base nos dados disponibilizados pela BM&FBOVESPA.

2 O contrato futuro de açúcar cristal (ISU), ainda que disponível atualmente para negociação na

BM&FBOVESPA, não apresenta liquidez, tendo sua última cotação futura formada em julho/2009. 3 No período compreendido entre dezembro/2008 e maio/2010 não houve registro de negociação no mercado

futuro de etanol (ETH).

a) boi gordo

b) milho

c) café arábica

d) soja

e) açúcar cristal

2 f) etanol

3

-

20.00

40.00

60.00

80.00

100.00

120.00

140.00ja

n-0

2ju

l-0

2ja

n-0

3ju

l-0

3ja

n-0

4ju

l-0

4ja

n-0

5ju

l-0

5ja

n-0

6ju

l-0

6ja

n-0

7ju

l-0

7ja

n-0

8ju

l-0

8ja

n-0

9ju

l-0

9ja

n-1

0ju

l-1

0ja

n-1

1ju

l-1

1

Pre

ços

do

bo

i go

rdo

: R$

/@

Preço Futuro

-

5.00

10.00

15.00

20.00

25.00

30.00

35.00

40.00

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Pre

ços

do

milh

o:

R$

/sc/

60

kg

Preço Futuro

-

50.00

100.00

150.00

200.00

250.00

300.00

350.00

400.00

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Pre

ços

do

caf

é a

ráb

ica:

U

S$/s

aca/

60

kg

Preço Futuro

-

5.00

10.00

15.00

20.00

25.00

30.00

35.00

40.00

ou

t-0

2

abr-

03

ou

t-0

3

abr-

04

ou

t-0

4

abr-

05

ou

t-0

5

abr-

06

ou

t-0

6

abr-

07

ou

t-0

7

abr-

08

ou

t-0

8

abr-

09

ou

t-0

9

abr-

10

ou

t-1

0

abr-

11

ou

t-1

1Pre

ços

da

soja

: U

S$/s

aca/

60

kg

Preço Futuro

-

5.00

10.00

15.00

20.00

25.00

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

Pre

ços

do

açú

car

cris

tal:

U

S$/s

aca/

50

kg

Preço Futuro

-

200.00

400.00

600.00

800.00

1,000.00

1,200.00

1,400.00

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

Pre

ços

do

eta

no

l: R

$/m

il lit

ros

Preço futuro

3

Segundo Da Silva e Tavares (2008), embora a oferta de alimentos tenha sido

ampliada, a demanda aumentou em proporção maior, impulsionada pelo crescimento

econômico mundial, que acabou por estimular o consumo de alimentos mais proteicos. Entre

1985 e 2007, os chineses, por exemplo, aumentaram o consumo de carne em 150%, mudança

no padrão de consumo que também pode ser verificada, embora em menor proporção, na

Índia e no Brasil.

A questão dos biocombustíveis é outra hipótese que se destaca entre os possíveis

fatores determinantes da alta dos preços das commodities. Wray (2009) salienta que, devido

aos altos preços do petróleo bruto, várias políticas governamentais estariam incentivando a

produção de biocombustíveis em grande escala, impulsionando os preços de grãos como o

milho e a soja. Romano (2008), Mendonça e Rosset (2009) e Ogg (2010) afirmam que o

incentivo governamental à produção de biocombustíveis influencia diretamente no processo

de formação de preços dos produtos agropecuários, provocando a concorrência por terras

agricultáveis que originalmente eram destinadas à produção de alimentos e passaram a ser

utilizadas para produção de biocombustíveis.

Cunha (2011) destaca que, do lado da oferta, as mudanças climáticas afetam o setor

agrícola por este depender fundamentalmente das condições ambientais. Para Gouvêa (2008),

fenômenos meteorológicos extremos, de difícil previsão a médio e longo prazo, como chuvas

excessivas, secas e geadas, aumentam os riscos associados à agricultura, ocasionando,

segundo Freitas (2009) dificuldades na previsão das safras, aumentando a volatilidade dos

preços dos produtos agrícolas.

Além dos motivos apresentados, outro fator abordado pela literatura, e que se constitui

no objeto de estudo desta pesquisa, é o aumento da atividade especulativa no mercado futuro

de commodities. Defende-se que este mercado estaria recebendo um influxo anormal de

dinheiro, aplicado em sua grande parte por especuladores que, pessimistas quanto às

aplicações financeiras tradicionais, estariam buscando a melhora da relação risco-retorno de

suas carteiras de investimento.

Vários estudos, destacando-se os realizados por Abanomey e Mathur (2001), Erb e

Harvey (2006), You e Daigler (2007) e Smimou (2010) apontam que a diversificação de

portfólios pode gerar aos investidores benefícios maiores quando contratos futuros de

commodities são adicionados ao conjunto de investimentos de uma carteira, proporcionando

maiores retornos e diminuição do risco. Gorton e Rouwenhorst (2006) analisam o

desempenho das commodities como ativos financeiros e verificam que as mesmas apresentam

4

correlação negativa com outros ativos e que, em determinadas situações, como em períodos

inflacionários, registram, na média, um desempenho melhor que títulos e ações.

Segundo Romano (2008), as crises financeiras observadas na década passada, dentre

as quais se destacam a crise das empresas “pontocom”, em 2001, e o colapso do mercado

imobiliário americano em 2007, aliadas a um cenário de taxa de juros notoriamente baixa nos

EUA e países centrais e à vigência de alto grau de liquidez no mercado financeiro

internacional, influenciaram os investidores institucionais a estenderam, em um primeiro

momento, seus investimentos ao mercado de ações, logo depois ao mercado imobiliário, em

seguida ao mercado de commodities minerais, chegando finalmente às commodities agrícolas,

onde aplicam vultosas quantias.

A intensificação dos investimentos nos mercados de derivativos agrícolas, no contexto

internacional, tem sido relatada por vasta literatura, dentre as quais se destacam as pesquisas

realizadas por Domanski e Heath (2007), Wray (2009), Baffes e Haniotis (2010), De Schutter

(2010), Tang e Xiong (2010), Irwin e Sanders (2011), entre outras.

De acordo com Irwin e Sanders (2011), nos EUA, o investimento em ativos

financeiros ligados aos mercados futuros de commodities, incluindo ativos comercializados

dentro e fora do país, foi de aproximadamente US$ 200 bilhões, no final de 2004, alcançando

US$ 250 bilhões, em meados de 2008, chegando a US$ 300 bilhões no segundo semestre de

2010. Domanski e Heath (2007) ressaltam que, embora esses investimentos sejam pequenos

em relação ao mercado financeiro global, é grande em relação à produção no mercado físico.

A tendência de crescimento das negociações nos mercados futuros também pode ser

observada no Brasil. Entre os anos de 2001 e 2008, o segmento de derivativos agropecuários

da BM&FBOVESPA registrou crescimento sucessivo no número de contratos negociados,

sendo que, em 2008, auge da crise financeira do subprime, o setor registrou recorde de

negociações, chegando a 3.279.827 contratos transacionados. No pós-crise, apesar de uma

queda do volume comercializado, as médias mantiveram-se acima das verificadas no período

pré-crise (Tabela 1).

No entanto, não é possível afirmar que o crescimento do volume de comercialização

de contratos seja exclusivamente reflexo do aumento da atividade especulativa nos mercados

futuros. No Brasil, dados disponibilizados pela BM&FBOVESPA mostram que, no segmento

agropecuário, houve um pequeno crescimento da participação de investidores institucionais

5

nacionais4 e investidores estrangeiros nas atividades de compra e venda de contratos futuros,

principalmente a partir do início da crise financeira do subprime, em 2007, embora essa

participação ainda seja incipiente, considerando o potencial do mercado.

A participação mais significativa dos investidores estrangeiros na comercialização de

contratos agropecuários é verificada no mercado futuro de café arábica, no qual foram

responsáveis por 48,5% das compras, em 2008 e 34,4% das vendas, em 20095. Em relação aos

investidores institucionais nacionais, a maior participação foi observada no mercado futuro de

boi gordo, comprando 29,5% e vendendo 23,7% dos contratos futuros, em 2008.

Tabela 1 – Evolução do número de contratos negociados e do volume financeiro no segmento

agropecuário da BM&FBOVESPA, período 2001-20116

Período Contratos negociados Volume financeiro (R$/mil)

2001 589.128 7.988.513

2002 766.770 11.701.336

2003 777.675 14.254.841

2004 1.048.982 22.829.396

2005 1.062.223 24.453.973

2006 1.291.616 27.001.331

2007 2.221.890 46.587.381

2008 3.279.827 81.647.019

2009 2.037.602 47.404.823

2010 2.702.705 65.778.843

2011 2.389.454 70.031.509

Fonte: Elaborada pela autora com base nos dados da BM&FBOVESPA.

A intensificação da utilização dos derivativos agropecuários como ferramenta de

gerenciamento de risco, estratégia conhecida como hedge, é outro fator que deve ser

considerado como propulsor da comercialização de contratos futuros. A decisão de proteger-

se utilizando o mercado futuro está vinculada à minimização do risco, que é dada pela razão

de hedge de mínima variância. No caso dos derivativos agropecuários, essa razão indica a

proporção entre a posição tomada no mercado futuro e a posição mantida no mercado físico.

4 Um investidor institucional é uma instituição financeira ou estatal que investe no mercado de capitais, podendo

ser agrupados em: sociedades seguradoras, entidades de previdência privada, clubes de investimento, fundos

mútuos de investimento, entre outros. 5 A tabela contendo o resumo da evolução da participação dos investidores, entre os anos de 2002 e 2011, no

mercado futuro agropecuário brasileiro encontra-se no Apêndice A. 6 Neste resumo estatístico incluem-se os contratos futuros e de opções de todas as commodities agropecuárias

negociadas na BM&FBOVESPA (açúcar, boi gordo, etanol, café arábica, milho e soja), exceto os contratos

minis.

6

Contudo, a razão de hedge não permanece constante no tempo, além do

comportamento histórico dos preços e das relações de cointegração, ela é influenciada pela

volatilidade condicional, conferindo a esta medida um caráter dinâmico, com seus valores

alterando-se no decorrer do tempo (MÜLLER et al., 2008).

Ainda assim, é o aumento da atividade especulativa nos mercados futuros que tem

instigado aos pesquisadores quanto à determinação de suas possíveis causas e consequências.

Esse processo, caracterizado pelo aumento do fluxo de investimentos vindo dos mercados

financeiros tradicionais em direção aos mercados futuros de commodities, tem sido

denominado por alguns autores7 como “financeirização do mercado de commodities”. Apesar

de a financeirização ser definida em algumas pesquisas, dentre as quais as realizadas por

Palley (2007), Carneiro (2009) e Lapavitsas (2010), como sendo um processo mais complexo,

abrangendo os sistemas econômicos nas esferas macro e micro, nesta pesquisa o termo

financeirização é utilizado para referir-se ao aumento do fluxo especulativo nos mercados

futuros.

Ao estudar a alta de preços das commodities agropecuárias, é importante diferenciar a

mudança na tendência de preços e a variação de volatilidade. Segundo a CEPAL (2011)8,

mudanças na tendência de preços ocorrem em períodos de médio e longo prazo, respondendo

às alterações estruturais de oferta e demanda. Por sua vez, a volatilidade é um conceito mais

técnico, referindo-se às mudanças na taxa de variação dos preços em períodos ininterruptos,

envolvendo aspectos relativos à magnitude e direção dessas mudanças. Períodos de alta

volatilidade são detectados quando os preços sofrem aumentos ou quedas bruscas em

pequenos intervalos de tempo.

Os resultados do estudo realizado pela CEPAL (2011), focado no comportamento de

alguns índices de preços de alimentos9, revelaram incremento significativo dos níveis de

volatilidade dos produtos agropecuários nos anos de 2008 e 2009, quando os preços sofreram

uma forte alta e, em seguida, uma repentina queda, influenciados pela crise financeira do

subprime. No início de 2010, observou-se um novo aumento dos níveis de volatilidade, porém

em menor magnitude do que o observado no período 2008-2009.

Nesta pesquisa, o efeito da financeirização sobre as cotações futuras das commodities

agropecuárias será abordado sob a perspectiva da volatilidade, uma vez que, o atual cenário

7 Domanski e Heath (2007), Mayer (2009), United Nations Conference on Trade and Development – UNCTAD,

em seu Trade and Development Report (2009), Baffes e Haniotis (2010), Tang e Xiong (2010), entre outros. 8 Boletim CEPAL/FAO/IICA nº 1. 9 Os índices de preços de alimentos foram elaborados pela FAO, UNTACD, Banco Mundial e FMI.

7

econômico, caracterizado pelo crescente aumento do volume de negociações com derivativos

agropecuários, em paralelo ao aumento dos preços dos alimentos, tem suscitado vários

questionamentos a respeito das consequências dessa financeirização nos mercados futuros.

1.2 O problema e sua importância

A financeirização tem sido apontada como um dos fatores responsáveis pela

instabilidade nos mercados futuros de alimentos. Segundo De Schutter (2010), a ação

especulativa no mercado futuro de commodities estaria produzindo uma bolha, responsável

em grande parte pelo aumento dos preços e da volatilidade.

Na definição de Brunnermeier (2008), a bolha especulativa ocorre quando os ativos

financeiros são renegociados por um preço acima daquele determinado pelos fundamentos da

oferta e demanda, o que na visão de Kindleberger (1996), gera um movimento amplo e

ascendente dos preços durante algum tempo, vindo a despencar posteriormente.

De Long et al. (1990) argumentam que a ocorrência de uma bolha especulativa nos

mercados futuros só seria possível caso algum dos pressupostos ligados ao apreçamento

racional de ativos fosse violado, o que aconteceria, por exemplo, se fosse observada no

mercado a entrada em grande escala de investidores que tivessem uma opinião errônea a

respeito do comportamento dos preços dos ativos, ou seja, acreditassem possuir informação

privilegiada em relação aos demais investidores.

No entanto, mesmo considerando essa possibilidade, a ação dos “noisetraders”10

só

afastaria os preços do seu valor “justo” (determinado pela oferta e demanda), caso suas

informações fossem imprevisíveis e de algum modo impedissem a prática de arbitragem dos

demais agentes, além de que os participantes “desinformados” deveriam acreditar que essas

informações mantidas pelos “noisetraders” realmente refletissem informações verdadeiras

sobre a oferta e demanda dos ativos transacionados.

Petzel (2009) argumenta que a ação dos investidores que especulam com índices de

commodities11

, onde geralmente assumem posição comprada, se equivale, sinteticamente, a

tomada dessa mesma posição no mercado físico, gerando uma nova demanda. Se esta

demanda, representada pelos especuladores, for grande o bastante em comparação à oferta de

10

Noise-trader é o termo usado para descrever um investidor que toma decisões sobre compra e venda de ativos

sem o uso de dados técnicos, deixando-se influenciar, geralmente, por boatos e notícias infundadas. 11 Os índices de commodities são derivativos financeiros baseados na cotação dos contratos futuros das

respectivas commodities integrantes do índice.

8

curto prazo no mercado físico, tanto os preços, quanto a volatilidade dos preços, podem

aumentar significativamente.

Hieronymus (1977) contesta esse argumento, afirmando que o fluxo de investimento

nos mercados futuros não pode ser equiparado à demanda no mercado físico, já que para cada

especulador que assumir uma posição comprada há outro assumindo uma posição vendida,

não fazendo sentido algum utilizar os termos “nova demanda” e “nova oferta” para as

posições assumidas. A ação dos especuladores só poderia desestabilizar o equilíbrio dos

preços no mercado físico caso os mesmos estivessem dispostos a realizar e receber entregas e

comprassem grandes quantidades do produto no mercado à vista, mantendo esses estoques

fora do mercado.

Masters (2008) é enfático em defender que o aumento dos preços das commodities em

geral, observado principalmente no período da crise financeira do subprime (2007-2008), é

decorrente do crescimento da utilização de commodities como ativos de investimento pelos

chamados investidores institucionais. O aumento da participação de investidores que só

comercializam em futuros, não tendo qualquer ligação com o mercado físico, estaria

provocando o aumento, tanto das cotações futuras, quanto dos preços nos mercados físicos.

No entanto, a dificuldade está em classificar as operações realizadas por hedgers

daquelas realizadas por investidores sem ligação com a comercialização no mercado físico, ou

seja, os especuladores, visto que até aqueles investidores tidos como hedgers podem especular

nos mercados futuros. Hieronymus (1977) ressalta que as firmas envolvidas na

comercialização de commodities no mercado físico tendem a dominar o mercado futuro12

,

chegando, em alguns casos, como os relatados por Hartzmark (1987), a obter mais lucros do

que os “verdadeiros” especuladores.

Garbade e Silber (1983) demonstram que a característica de descoberta de preços,

inerente aos mercados futuros, até permite, no curto prazo, que mudanças nos preços futuros

sejam transmitidas aos preços no mercado físico, no entanto, no longo prazo, o equilíbrio dos

preços refletirá em última instância as forças de oferta e demanda no mercado à vista.

Irwin et al. (2009) chamam a atenção para o fato de que o fluxo especulativo nos

mercados futuros não afeta, necessariamente, o preço futuro da commodity no mesmo

momento. Esses preços só irão sofrer alteração se novas informações surgirem, o que causará

12 No Brasil, como pode ser verificado no Apêndice A, as atividades de compra e venda de contratos futuros nos

mercados de boi gordo, milho, café arábica e soja são predominantemente dominadas por empresas jurídicas não

financeiras, representadas essencialmente pelas empresas comerciais.

9

a revisão das expectativas dos participantes do mercado em relação às estimativas de oferta e

demanda no mercado físico. Neste período, poderá até ser comprovada a existência de

correlação contemporânea entre o comportamento do fluxo de dinheiro e o aumento dos

preços dos contratos futuros, o que não prova que haja uma relação de causalidade entre as

duas variáveis.

Mayer (2009), que estudou a interdependência entre o mercado financeiro e o mercado

futuro de commodities nos EUA, entre os anos de 2006 e 2009, verificou que as ações dos

investidores realmente têm impacto causal sobre os preços dos derivativos, concluindo que a

progressiva correlação positiva entre as posições mantidas por investidores nos mercados

futuros e no mercado de ações tem contribuído positivamente para o aumento da

interdependência entre estes mercados.

Freitas Jr. (2011) mostra que, nos EUA, de acordo com dados do Banco Barclays

Capital, desde novembro de 2008 a correlação mensal entre os mercados de ações e o

mercado futuro de commodities tem girado em torno de 65%, sendo que, nas décadas

anteriores, era próxima de zero. A correlação entre o índice CRB (referência para os preços

internacionais das commodities) e o índice S&P500, que era de 11% até agosto de 2008, mês

que antecedeu a quebra do banco Lehman Brothers, alcançou 94%, em 2009, 83%, em 2010,

e 73%, em 2011.

Para Irwin e Sanders (2011), o mercado futuro de commodities não é o tipo de

mercado que se consideraria suscetível à formação de bolhas especulativas. A afirmação

decorre do fato de os contratos futuros serem instrumentos de comercialização com um

horizonte finito, ou seja, todos os contratos apresentam algum tipo de exigência para serem

encerrados, podendo ser a entrega física do produto subjacente ou a liquidação financeira, o

que acaba por funcionar como um mecanismo que atrela os preços futuros aos preços à vista.

Ademais, virtualmente, não existem, nesse mercado, restrições para vendas à descoberto ou

para a prática de arbitragem, o que reduz a vigência de preços que, porventura, estejam

afastados dos valores determinados pelos fundamentos de oferta e demanda.

Não há na literatura corrente, especialmente no Brasil, estudos específicos que

abordem o impacto da financeirização sobre a volatilidade dos mercados futuros de

commodities agropecuárias. Assim, diante do exposto, pretende-se com este estudo analisar a

10

influência dos mercados financeiros internacional, representado pelo Índice S&P50013

, e

nacional, representado pelo Índice Ibovespa14

, sobre o mercado futuro agropecuário no Brasil,

verificando se o aumento do volume de negociações com contratos futuros tem sido

acompanhado de aumento da volatilidade nos mercados futuros de boi gordo, milho, café

arábica e soja15

. Ademais, diante da hipótese de que o aumento do volume de negociações em

futuros esteja causando o aumento dos preços dos alimentos, será examinada a existência de

relação causal entre o volume de contratos futuros comercializados e os preços futuros das

commodities. O período de análise tem seu início no ano de 2002, início do ciclo altista dos

preços das commodities, até o ano de 2011.

1.3 Hipótese

A intensificação do fluxo de capital especulativo vindo dos mercados financeiros em

direção ao mercado futuro agropecuário no Brasil, principalmente a partir da crise financeira

internacional do subprime, tem provocado o aumento da volatilidade dos preços dos

alimentos. O crescimento do volume de negociações com contratos futuros tem causado o

aumento das cotações futuras das commodities agropecuárias.

1.4 Objetivos

1.4.1 Objetivo Geral

Analisar a influência dos mercados financeiros, internacional e nacional, sobre o

mercado futuro agropecuário no Brasil, entre os anos de 2002 e 2011.

13O S&P500 é um índice de avaliação das mudanças das condições do mercado acionário tendo como base o

desempenho médio das 500 maiores empresas dos EUA. Autores como Harris (1982), Jegadeesh e

Subrahmanyam (1993) e Lopes (2006) utilizam esse índice em seus estudos como proxy para o mercado

financeiro internacional. 14O Índice Bovespa é o mais importante indicador do desempenho médio das cotações do mercado de ações

brasileiro. Sua relevância advém do fato do Ibovespa retratar o comportamento dos principais papéis (ações)

negociados na BM&FBOVESPA. 15 As commodities agropecuárias açúcar cristal e etanol não puderam ser utilizadas devido à falta de informações

referentes à comercialização em futuros para determinados períodos.

11

1.4.2 Objetivos Específicos

a) Analisar o processo de transmissão de volatilidade entre os mercados financeiros,

internacional e nacional, e o mercado futuro agropecuário no Brasil.

b) Examinar a existência de causalidade entre a volatilidade dos mercados

financeiros, nacional e internacional, e a volatilidade do mercado futuro

agropecuário no Brasil.

c) Averiguar a presença de relação causal entre o volume de contratos futuros

negociados e os retornos dos preços das commodities agropecuárias.

12

2 REFERENCIAL TEÓRICO

Nas seções 2.1 e 2.2, objetiva-se fundamentar, sob a perspectiva teórica, a migração de

capitais dos mercados financeiros, internacional e nacional, para o mercado de commodities

agropecuárias. Assume-se que, preocupados em obter a melhor relação entre risco e retorno,

os investidores buscam construir e diversificar suas carteiras de investimentos orientados

pelos princípios da Teoria de Seleção de Portfólio de Markowitz (1952). Na seção 2.3 é

apresentado o modelo de negociação de ativos desenvolvido por Copeland (1976), visando

estabelecer relação entre a chegada de informação nos mercados futuros e as variações no

volume e nos preços dos contratos.

2.1 A Moderna Teoria do Portfólio

O investimento financeiro nos mercados futuros de commodities tem se tornado

gradativamente mais significativo, revelando a nova dinâmica que se configura no mercado

financeiro internacional. O aumento do fluxo especulativo nas bolsas de mercadorias retrata a

nova tendência dos investidores, cujo comportamento está fundado sobre os preceitos da

moderna teoria de seleção de carteiras, idealizada por Markowitz (1952).

A Teoria do Portfólio de Markowitz (1952) é baseada no conceito de média-variância

e objetiva a construção de portfólios ótimos que minimizem a variância das carteiras de

investimentos, dadas as expectativas de retorno da mesma. As ideias propostas para seleção

de portfólio podem ser sintetizadas nas seguintes equações:

Rp = w1R1 + .... + wnRn (1)

em que Rp representa o retorno total da carteira de investimento, wi consiste na proporção de

participação de cada ativo na carteira e Ri representa o retorno individual de cada ativo.

[ ] [

] [

] (2)

em que representa a variância total do portfólio, representa o risco individual de cada

ativo da carteira e representa a correlação entre os ativos que compõem o portfolio.

De acordo com Markowitz (1952), é possível reduzir o risco de uma carteira de

investimento, sem comprometer seu retorno, combinando-se ativos que apresentam correlação

13

negativa entre seus rendimentos individuais, o que significa que a rentabilidade desses ativos

não tende a apresentar o mesmo comportamento no decorrer do tempo, não sendo

influenciados decisivamente pelas mesmas variáveis.

A diversificação de portfólios é uma questão significativa exatamente pelo fato de os

ativos terem características inerentes específicas que fazem com que os mesmos reajam

distintamente a determinados ambientes macroeconômicos. O grande desafio, no entanto, é

encontrar ativos que sejam negativamente correlacionados. Carvalho et al. (2007) ressaltam

que por mais que um ativo responda de forma simétrica às mais diferentes situações, nenhum

deles é totalmente imune à variações bruscas na economia, existindo, portanto, um limite para

a simetria dos riscos de ativos que é dado pelo chamado risco de mercado ou risco

sistemático, a qual todos os ativos estão sujeitos.

O conceito de diversificação internacional de portfólios, inicialmente proposto por

Bergstrom (1975), está sedimentado nos princípios da moderna teoria da seleção de carteiras

disseminada por Markowitz, na qual os benefícios da diversificação internacional decorrem

do fato de os retornos dos ativos domésticos apresentarem baixa correlação com os ativos

estrangeiros.

Aliado aos benefícios proporcionados pela internacionalização de carteiras está o fato

de as commodities serem comprovadamente instrumentos eficazes para redução do risco, o

que justifica o investimento em contratos futuros negociados em outros países. O papel

desempenhado pela correlação de ativos na composição de portfólios pode ser ilustrado pela

seguinte equação:

= √

( ) (3)

em que σp representa o risco da carteira diversificada como um todo, σ²1 representa a variância

do ativo 1, que pode ser representado por ações ou títulos, σ²2 representa a variância do ativo

2, que pode ser representado pelos contratos futuros, wj é a proporção de participação de cada

ativo na carteira e cov(R1, R2) representa a covariância entre os retornos dos ativos 1 e 2.

Quanto mais negativa for a covariância entre os retornos dos ativos que compõem a carteira,

menor será o risco total da carteira de investimento.

A presente pesquisa considera a adaptação realizada por Smimou (2010), que utiliza o

modelo idealizado por Markowitz (1952) para a construção de portfólios com ativos

negociados nacional e internacionalmente, destacando-se o uso de contratos futuros

14

individuais de commodities agrícolas em substituição aos índices de commodities amplamente

utilizados pela maioria das pesquisas precedentes. O modelo é descrito pela seguinte equação:

a) minimizar = ∑

( )

( ) ∑ ∑

( )

b) maximizar E(Rp) = w1R1 + w2R2 + ...+ wnRn ∑

sujeito a = ∑

( ) ∑ ∑

( )

∑

(4)

Nesse modelo, representa a variância do retorno da carteira diversificada; wj é a

participação de cada ativo na carteira, que nesse caso foi constituída por índices de ações e

contratos futuros agrícolas16

, ( ) simboliza a variância dos retornos das ações e ( ) a

variância dos retornos de cada contrato futuro, ( ) retrata a covariância entre os

retornos dos ativos que compõem a carteira, E(Rp) exibe o retorno esperado da carteira e

são os retornos individuais de cada índice de ações e contratos futuros

agrícolas.

Portanto, a seleção do portfólio ótimo está fundamentada na minimização da variância

do retorno da carteira, condicionada à expectativa de retorno geral do portfólio. Smimou

(2010) demonstra que portfólios diversificados com essa classe de ativo tendem a apresentar

desempenho superior aos portfólios que não as contém, principalmente se forem constituídos

de ativos comercializados em outros países, confirmando a teoria de que a diversificação

internacional de carteiras contribui para a diminuição da variância e aumento da média dos

retornos esperados.

Há que se considerar que no processo de composição de carteiras de investimento, à

medida que se adicionam ativos de maior risco e retorno, cuja correlação com a carteira

original seja negativa, podem ser obtidas várias combinações entre os ativos, sendo que a

combinação ótima vai depender da aversão ao risco de cada investidor.

A escolha do portfólio ótimo, que possibilita a maximização do retorno e a

minimização do risco, vai acabar por determinar a demanda por ativos específicos e,

16 Nesta abordagem, Smimou (2010) considerou contratos futuros agrícolas comercializados no Canadá, EUA e

Europa.

15

consequentemente, seu preço. Um dos modelos convencionais mais utilizados na alocação de

ativos em carteiras de investimento é o modelo CAPM.

2.2 O Modelo CAPM

O Capital Asset Pricing Model (CAPM), cujos pressupostos básicos foram

disseminados pelos trabalhos pioneiros de Sharpe (1964) e Lintner (1965), é um modelo

derivado da Teoria do Portfólio de Markowitz (1952), baseado na ideia de que os investidores

tendem a exigir maior retorno quanto maior for o risco do investimento, sendo que, de acordo

com o modelo, este está sujeito a dois tipos de risco na economia: o sistemático e o não-

sistemático. O risco não-sistemático é quase que completamente eliminado pela diversificação

do portfólio, enquanto que o risco sistemático não pode ser diversificado, já que decorre da

correlação entre os retornos de determinado investimento e os retornos do mercado como um

todo.

Dessa forma, o investidor procura retorno esperado mais alto que a taxa de juro livre

de risco para manter portfólios com risco sistemático positivo. Adotando a hipótese de

mercados eficientes, supondo a simetria perfeita de informações, assume-se que seu portfólio

sempre corresponderá ao portfólio ótimo, composto por ativos que, dada a aversão do agente

ao risco, maximiza o seu retorno e minimiza os riscos. Segundo o modelo CAPM, os agentes

com expectativas racionais mantêm portfólios diversificados, onde o coeficiente que mede a

correlação entre o retorno de um ativo e o retorno do mercado como um todo, chamado

coeficiente beta, é dado por:

β =

(5)

em que β é o coeficiente de correlação, Ri é o retorno do ativo e Rm é o retorno médio de todos

os ativos do mercado. Quando β for superior a um, o ativo apresenta um perfil de risco

superior ao do portfólio como um todo, é o chamado ativo agressivo. Quando β for inferior a

um, o ativo apresenta um perfil de risco inferior ao do portfólio como um todo, podendo ser

utilizado como instrumento de diversificação e redução de risco, e é chamado ativo defensivo.

Se o β for igual a um, o ativo adicionado ao portfólio tem o mesmo perfil de risco do portfólio

como um todo. Portanto, o retorno do ativo deve ser proporcional a β:

16

Ri = Rsr+ β(Rm - Rsr) (6)

em que Ri é o retorno do ativo, Rsr corresponde ao retorno do ativo sem risco, β é o coeficiente

de correlação e (Rm - Rsr) corresponde ao prêmio de risco pago para o portfólio de mercado

como um todo, sendo que esse prêmio de risco está relacionado às características de risco

inerentes ao ativo incorporado à carteira.

2.3 Modelo de Negociação de Ativos

Para entender a dinâmica de funcionamento dos mercados futuros, no que tange ao

volume transacionado e ao comportamento dos preços, dada a chegada de novas informações,

apresenta-se o modelo desenvolvido por Copeland (1976) que, apesar de não tratar

especificamente dos mercados futuros, fornece subsídios para a compreensão do

comportamento deste mercado. Copeland (1976) desenvolveu seu modelo considerando a

chegada sequencial de informações aos participantes dos mercados (traders). Para tanto, o

autor assumiu alguns pressupostos:

a) Apenas uma parte da informação chega durante o período de comercialização

(trading period), que pode ser definido como horas, dias ou semanas;

b) Os traders recebem a informação um de cada vez, e imediatamente mudam sua

curva de demanda;

c) O período de comercialização termina quando todos os traders tiverem mudado

sua curva de demanda.

d) Antes da chegada da informação, todos os participantes apresentam curva de

demanda homogênea;

e) Há restrições para vendas a descoberto, ou seja, o trader não pode vender algo que

não possui17

;

f) O processo de reequilíbrio de mercado, após a chegada da informação, é dividido

em dois estágios, I) todos os participantes do mercado, tantos os informados

quanto os não informados, detém quantidades positivas de ativo; e II) todos os

17 Esta condição não é válida para o mercado futuro, sendo um pressuposto exclusivo para as transações no

mercado financeiro. No entanto, a manutenção da mesma não invalida a utilização do modelo para a

compreensão da dinâmica dos mercados futuros em relação ao comportamento dos preços e ao volume

transacionado.

17

participantes desinformados vendem a totalidade de seus ativos aos participantes

informados.

Neste modelo, que supõe a chegada da informação sequencial aos participantes do

mercado, assumem-se três hipóteses. Na primeira, assume-se que todos aqueles que recebem a

nova informação são otimistas. Na segunda, assume-se que os mesmos são pessimistas e na

terceira e última etapa, considera-se a existência de uma porcentagem variável, tanto de

otimistas quanto pessimistas. A curva de demanda para cada participante do mercado (trader)

é dada por:

(7)

em que representa a curva de demanda do participante ainda não informado e P é o preço

do ativo. O equilíbrio inicial é representado por:

= S (8)

em que representa o número de participantes do mercado, representa a curva de

demanda de cada participante ainda não informado (desinformado) e S representa a oferta do

ativo comercializado, que neste caso é considerada fixa.

Assim que a nova informação é gerada e torna-se disponível no mercado, os traders

começam a mudar suas curvas de demanda, deslocando-as para cima, em uma magnitude

igual a . O processo só termina quando todos tiverem modificado suas curvas de demanda.

Entre o equilíbrio inicial, onde todos os participantes possuem as mesmas curvas de demanda

de ativo e ainda não receberam a informação, e o equilíbrio final, em que todos os

participantes já receberam a informação, existe estágios de “equilíbrio incompleto”,

que descrevem o processo de ajustamento preço-volume referentes à reação de cada trader à

nova informação.

Dada as restrições das vendas à descoberto, é necessário dividir o “equilíbrio

incompleto” em dois estágios. No estágio I, tanto os investidores informados quanto os

desinformados detém quantidades positivas do ativo comercializado. No estágio II, os

investidores desinformados já venderam todos os seus ativos aos vendedores informados.

Dessa forma, as mudanças de preço e volume serão diferentes em cada estágio.

18

No estágio I, assumindo-se que m traders de um total de participantes receberam as

novas informações disponíveis no mercado e agiram com otimismo, deslocando suas curvas

de demanda para cima, o “equilíbrio incompleto” é determinado por:

( ) (9)

Em que (N – m) representa o número de participantes desinformados; representa a curva

de demanda do participante ainda não informado (Equação 7); j representa o número de

participantes otimistas (nesse caso, por definição, j = m); representa a curva de demanda

do trader otimista e S representa a oferta de ativos. A curva de demanda do trader otimista,

, é representada pela seguinte equação:

(10)

Assim que o (m + 1)ésimo participante do mercado recebe a nova informação,

assumindo que o mesmo permanece no estágio I, o novo equilíbrio é determinado por:

( ) ( ) (11)

Observa-se, na Equação 11, que o número de participantes desinformados ( ) vai

decrescendo um a um, ao mesmo tempo em que o número de otimistas vai crescendo na

mesma proporção ( ). O resultado da mudança de preços, no estágio I, consiste na

diferença entre o preço de equilíbrio antes da mudança (antes da chegada da informação),

denominado , e o preço de equilíbrio depois da mudança (depois de processada a

informação), denominado . Substituindo as equações de demanda na (Equação 9) e

rearranjando os termos, tem-se que:

(

) (12)

[(

( )

)] (13)

Subtraindo a Equação (12) da Equação (13), tem-se que a mudança de preços no

estágio I é dada por:

( ⁄ ) (14)

Em processo similar, o número de ativos mantidos pelo participante antes da chegada

da informação, , é subtraído do número de ativos mantidos pelo mesmo depois da chegada

19

da informação, , a fim de derivar-se o volume de negociações do (m + 1)ésimo trader, no

estágio I. Antes da mudança, o número de ativos mantidos é determinado por:

⁄ ⁄ (15)

Depois da chegada da nova informação e da mudança das curvas de demanda, o

número de ativos mantidos pelo participante do mercado é dado por:

( ) ⁄ ⁄ (16)

Consequentemente, o volume de negociações pertinentes ao (m + 1)ésimo participante

do mercado, no estágio I, é dado por:

( )

⁄ (17)

Lembrando que, quanto mais traders vão tornando-se informados, maior é a pressão

que exercem sobre o preço do ativo, impelindo-o para cima. Estes preços subirão até o ponto

em que os participantes desinformados desejem vender seus ativos aos participantes

informados. Devido à restrição de vendas à descoberto, os investidores desinformados não

podem vender mais ativos do que possuem. No estágio I, a diferença entre o número de ativos

vendidos e o número de ativos retidos antes da chegada da nova informação no mercado deve

ser maior que zero18

.

Caso a restrição de vendas à descoberto não fosse considerada, o número de ativos

mantidos pelos participantes não informados, depois que o (m + 1)ésimo participante

recebesse a informação, seria dado pela seguinte equação:

⁄

( ) ⁄ (18)

18 Se for igual a zero, significa que o participante já vendeu todos os seus ativos, não estando mais no estágio I e

sim no estágio II.

20

Subtraindo a Equação (18) da Equação (15), obtém-se:

[ ⁄ ⁄ ] [ ⁄

( ) ⁄ ] ⁄ (19)

A restrição de vendas à descoberto, assumida pelo modelo, exige que o número de

ativos mantidos pelos investidores antes da chegada da informação no mercado (Equação 15)

menos o total de ativos vendidos durante a mudança (Equação 19) seja maior que zero, dessa

forma:

⁄ ⁄ ⁄

⁄ ou ⁄ , desde que j (otimistas) = m (informados) (20)

Enquanto a Equação (20) for verdadeira, a mudança nos preços será igual à

determinada pela Equação (14) e o volume transacionado será igual ao determinado pela

Equação (17). No estágio II, apenas os investidores otimistas possuem ativos e o equilíbrio é

determinado por:

( ) (21)

A partir da Equação (21), pode-se derivar o preço de equilíbrio antes que o (m +

1)ésimo trader mude sua curva de demanda:

( )

(

) (22)

Após a mudança, o preço de equilíbrio é determinado por:

( ) ( )

( )( )

(

( )

) (23)

Dessa forma, a mudança de preço é definida por:

21

[

( )] (24)

No estágio II, o volume comercializado corresponde à quantidade de ativos que o novo

otimista adquire, assim que muda sua curva de demanda, deslocando-a para cima. Na

condição de investidor desinformado, considerando a restrição imposta pelo modelo, o mesmo

não possui nenhuma quantidade do ativo. Logo após receber a nova informação, mudando sua

curva de demanda, ele passa a deter a seguinte quantidade de ativos:

(

( )

)

⁄

Assim, o volume comercializado é igual a:

⁄ (25)

Uma vez conhecidas as variações de preço e as quantidades comercializadas nos

estágios I e II, considerando a existência apenas de participantes otimistas, é possível calcular

a mudança de preço e o volume total comercializados, assumindo que todos os participantes

do mercado já receberam a nova informação e mudaram suas curvas de demanda:

∑ ∑

( )

( ⁄ )

∑

( ⁄ )

(26)

∑ | | ∑

( ⁄ )

(

) ∑

( ⁄ ) (

( )) (27)

Neste modelo, que assume a chegada sequencial de informação aos participantes do

mercado, desde que todos tenham exatamente a mesma opinião sobre o impacto da nova

informação disponível (otimistas ou pessimistas), a ordem em que cada um recebe a

informação não é importante. Existe apenas um caminho de ajuste entre o equilíbrio inicial e

o equilíbrio final e o total de ativos transacionados ao longo desse caminho não varia.

22

No caso da totalidade dos participantes do mercado se mostrar pessimista, a identidade

matemática será exatamente a oposta da observada no caso anterior, em que todos os

participantes são considerados otimistas, ou seja, será um espelho da mesma. Dessa forma, a

primeira pessoa a receber a notícia e reagir com pessimismo, deslocando sua curva de

demanda para baixo, venderá parte ou o total de ativos que possui, dependendo da força da

notícia, O volume negociado e a variação do preço, nos estágios I e II serão dados pelas

seguintes equações:

( )

(I) (28)

(

) (I) (29)

(II) (30)

(

( )( ) ) (II) (31)

O volume transacionado e as mudanças de preços agregados são iguais às obtidas

anteriormente, indicando que dados os resultados são os mesmos quando há

unanimidade na opinião dos participantes do mercado, sejam eles otimistas ou pessimistas.

Por último, deve-se considerar a diversidade de opiniões no mercado. Entre o

equilíbrio inicial e o equilíbrio final, verifica-se a presença de investidores otimistas (j),

investidores pessimistas (q) e investidores desinformados. Considerando

o total de participantes do mercado, m o número de participantes informados que já

mudaram suas curvas de demanda e assumindo que o (m+1)ésimo participante a receber a

informação é otimista, o volume de ativos transacionados e a variação no preço podem ser

definidos como:

( )

( ) (32)

( ( )) (33)

Por outro lado, considerando que o (m+1)ésimo participante a receber a informação é

pessimista, a mudança no volume comercializado e no preço são dados por:

(34)

23

(

( )( )) (35)

Copeland (1976) ainda demonstrou que o volume de negociações é uma função

logarítmica crescente do número de participantes do mercado, N, e da força da nova

informação, .

(

) (36)

A relação entre o volume transacionado ( ) e a oferta de ativos em circulação ( ) vai

depender da magnitude de ( ⁄ ). Quanto maior a divergência entre as opiniões dos

participantes do mercado (diferença entre otimistas e pessimistas), menor a variação no

volume transacionado.

Na Figura 2, verifica-se que a distribuição do volume g( ) apresenta assimetria

positiva. Caso a restrição de vendas à descoberto não fosse adotada, a relação entre e

se resumiria à linha tracejada19

.

Figura 2 – Relação entre volume, mudança de preços e participantes otimistas

(j*/N)

Fonte: Elaborado pela autora com base em Copeland (1976).

19 Embora a restrição de vendas à descoberto seja condição suficiente para a assimetria positiva observada na

distribuição do volume, a mesma não é condição necessária.

Vt

| |

J*/N

| |, VT

t

0 1

24

Sabendo-se que o volume transacionado é função crescente da força da notícia, , e

que o impacto desta notícia no mercado dependerá da porcentagem de participantes otimistas,

, Copeland (1976) testou empiricamente20

a relação entre , e . Os resultados

mostram que o volume mínimo de transações se dá quando ocorre maior discordância de

opiniões entre os traders (maior diferença entre otimistas e pessimistas). O volume máximo

de negociações ocorre quando é igual a zero (todos são pessimistas) ou um (todos são

otimistas). O maior preço e volume se dão simultaneamente, indicando a existência de

correlação positiva entre o valor absoluto da mudança de preços e o volume comercializado.

Dessa maneira, conclui-se, segundo o modelo de Copeland, que a variação no volume

e nos preços, ocasionado por uma nova informação disponível no mercado, vai depender da

força dessa notícia e do comportamento de cada participante perante a informação, assim

como depende da oferta de ativos e, do tamanho do mercado.

20

Copeland (1976) testou seu modelo por meio de simulação computacional.

25

3 METODOLOGIA

3.1 Referencial Analítico

Na seção 3.1.1 descreve-se o procedimento adotado para a verificação da transmissão

de volatilidade entre os mercados financeiros, internacional e nacional, e o mercado futuro

agropecuário no Brasil, atendendo ao disposto no objetivo específico (a). Na seção 3.1.2, de

acordo com o proposto no objetivo específico (b), descreve-se o método de análise para a

verificação da existência de relação de causalidade entre a volatilidade dos mercados

financeiros e a volatilidade dos mercados futuros. Por último, atendendo ao objetivo

específico(c), na seção 3.1.3 é apresentado o método adotado para o estudo da relação

existente entre o volume de contratos futuros transacionados e os retornos dos preços futuros.

3.1.1 Transmissão de volatilidade entre mercados

O estudo do processo de transmissão de volatilidade entre os mercados financeiros,

internacional e nacional, e o mercado futuro de contratos agropecuários no Brasil, está

baseado na análise da volatilidade dos retornos dos preços21

do índice S&P500, e do

Ibovespa, e os contratos futuros de boi gordo, milho, café arábica e soja, no período

compreendido entre os anos de 2002, início do ciclo altista dos preços das commodities, e

2011. Nesse tipo de análise, usualmente é comum o uso dos retornos dos ativos, ou seja, a

diferença no logaritmo dos preços, ao invés dos preços em nível, o que segundo Alexander

(2005), se dá pelo fato dos investidores cotejarem os ativos financeiros com base em seus

retornos, independente do preço do ativo subjacente.

O modelo considerado para essa análise é o modelo BEKK (Baba, Engle, Kraft e

Kroner), pertencente à classe dos modelos GARCH multivariados. Este modelo é utilizado

por permitir a captação das inter-relações dinâmicas entre as variâncias e covariâncias das

séries financeiras, que são informações importantes, devendo ser consideradas no processo de

seleção de portfólios de investimento. O modelo BEKK pode ser representado da seguinte

forma:

21 A taxa de retorno é expressa como: (

⁄ ).

26

Ht= C´C + ∑

∑

(37)

em que: Ht é a matriz de variâncias e covariâncias (VAR-COV) dos retornos do índice

financeiro e do contrato futuro no tempo t, C é uma matriz triangular inferior KxK, Ai é uma

matriz KxK dos coeficientes do termo ARCH, Bj é uma matriz KxK dos coeficientes dos

termos GARCH, εt é um vetor de termos de erro que segue um processo M-GARCH, k é o

número de séries utilizadas e q e p são as ordens dos termos ARCH e GARCH,

respectivamente22

.

Nesta pesquisa, é estimado um modelo bivariado23

(K=2), com p=q=1, cujas matrizes

podem ser representadas da seguinte forma:

[

] = [

] [

] + [

] [

]

[

] + [

] [

] [

]' (38)

O modelo utiliza duas variáveis expressas sob a forma de taxas de retorno, sendo que o

mercado financeiro internacional tem como proxy o índice S&P500 (DLOGSP500), enquanto

que o mercado financeiro nacional tem como proxy o índice Ibovespa (DLOGIND)24

.

O mercado de derivativos brasileiro é representado pelas séries de retornos referentes a

quatro contratos futuros agropecuários negociados na BM&FBOVESPA: boi gordo

(DLOGBGI), café arábica (DLOGICF), milho25

(DLOGCCM) e soja (DLOGSFI), cujas

características encontram-se na Tabela 2.

22

Na literatura pode-se encontrar a notação GARCH (p,q), ao invés de GARCH(q,p). Isto se deve à definição da

ordem em que os termos aparecem na expressão. Nesta pesquisa, o software utilizado na estimação usa a notação

(q,p). 23 A modelagem das séries financeiras é realizada aos pares, utilizando um índice financeiro e um contrato futuro

de cada vez. 24 IND é o código utilizado pela BM&FBOVESPA para designar o índice Ibovespa. 25 A BM&FBOVESPA comercializa dois tipos de contrato futuro de milho, o contrato de base de preço de milho

e o contrato de milho, que passou a ter liquidação financeira em 19/09/2008. Nesta pesquisa, considera-se apenas

o antigo contrato com opção de entrega física e o atual contrato com liquidação financeira.

27

Tabela 2 - Características dos contratos futuros agropecuários negociados na

BM&FBOVESPA

Contratos Tamanho do contrato Cotação Meses de vencimento

Boi gordo 330@ líquidas R$/@ Todos os meses

Café arábica 100sc/60kg US$/sc Mar/Maio/Jul/Set/Dez

Milho 450sc/60kg R$/sc Jan/Mar/Maio/Jul/Ago/Set/Nov

Soja 450sc/60kg US$/sc Mar/Abr/Maio/Jun/Jul/Ago/Set/Nov Fonte: Elaborada pela autora com base nos dados disponibilizados pela BM&FBOVESPA.

O número de parâmetros a serem estimados é 11, permitindo a interação entre

variâncias e covariâncias, ou seja, captando as inter-relações dinâmicas entre as variâncias e

covariâncias. Expandindo-se a Equação (38) pela multiplicação de matrizes, a mesma toma a

seguinte forma:

= +

+ 2 +

+

+ 2 +

= = + + ( + ) +

+

+ ( ) +

= +

+

+ 2 +

+ + 2 +

(39)

Analisando a equação (39), observa-se que a variância condicional individual de cada

variável ( e ) afeta a variância da outra variável, assim como afeta a covariância

( , ). Os coeficientes dos termos ARCH (termo do erro quadrático no período

anterior) e GARCH (variância condicional no período anterior), a12 e b12, respectivamente,

indicam a influência do mercado 1 (Índice S&P500 ou Ibovespa) sobre o mercado 2 (mercado

futuro brasileiro), enquanto que os termos ARCH a21 e GARCH b21 refletem a influência do

mercado 2 sobre o mercado 1. No estudo da transmissão de volatilidade entre o mercado

financeiro e o mercado de derivativos agropecuários, a significância individual dos

coeficientes GARCH b12 indicará se a variância da série de retornos dos contratos futuros

agropecuários, no período corrente, pode ser explicada pela variância do índice financeiro, no

período anterior e vice-versa.

No entanto, segundo Tsay (2010), tal modelo tem alguns pontos negativos, como o

fato de os parâmetros das matrizes e não terem interpretação direta quanto aos valores

28

defasados das volatilidades ou choques. Outro ponto negativo está relacionado ao fato de que

o número de parâmetros estimados, n² (p + q) + (n (n + 1)/2), cresce rapidamente conforme

aumentam as ordens (q, p), gerando parâmetros estatisticamente insignificantes e trazendo

complicações ao modelo.

Além de verificar a transmissão de volatilidade entre os mercados, o modelo BEKK

(Equação 37) é utilizado para estimar a covariância entre os índices financeiros e os contratos

futuros agropecuários, objetivando identificar a existência ou não de dependência conjunta

entre os retornos dos índices financeiros (S&P500 e Ibovespa) e os retornos dos contratos

futuros de boi gordo, milho, café arábica e soja, no período de análise (2002-2011).

O primeiro passo da investigação do processo de transmissão de volatilidade consiste

no exame da estacionariedade das séries de retornos. A análise é realizada conforme sugere

Enders (2010), aplicando-se o teste Dickey-Fuller aumentado (ADF) às séries de retornos em

nível. O número de defasagens utilizado no teste é escolhido pela minimização do critério de

informação de Schwarz e tem como finalidade eliminar a autocorrelação serial dos resíduos26

.

As séries financeiras apresentam características que lhe são muito peculiares,

apresentando frequentemente aglomeração de volatilidade, representadas por períodos em que

os preços dos ativos sofrem grandes oscilações por um grande espaço de tempo, seguido de

períodos de oscilações menos intensas. Tais características ocasionam o chamado efeito

ARCH (Autoregressive Conditional Heteroscedasticity) que denota uma modelagem

adequada para sua média e variância.

As séries de retornos utilizadas na pesquisa: S&P500 (DLOGSP500), Ibovespa

(DLOGIND), boi gordo (DLOGBGI), milho (DLOGCCM), café arábica (DLOGICF) e soja

(DLOGSFI) são testadas a fim de detectar a presença do efeito ARCH. O primeiro

procedimento consiste em analisar graficamente, tanto as séries de retornos, quanto as séries

de retornos ao quadrado, visando identificar a presença de clusters de volatilidade, ou seja,

alternância entre alta e baixa volatilidade durante o período analisado.

Uma vez detectada graficamente a existência do efeito ARCH nas séries de retornos, a

etapa seguinte consiste na aplicação do Teste do Multiplicador de Lagrange (LM), que

confirmará a existência ou não de heterocedasticidade condicional. A hipótese nula do Teste

do Multiplicador de Lagrange (LM), ou teste do efeito ARCH, proposto por Engle (1982), é

de que todos os coeficientes dos resíduos defasados ao quadrado são iguais a zero:

26 O software estatístico indica automaticamente o número adequado de defasagens a serem utilizadas no cálculo

da estatística do teste, tendo como base o critério de informação de Schwarz.

29

, ou seja, de que não há efeito ARCH, contra a hipótese alternativa de

que pelo um dos coeficientes seja diferente de zero, .

A existência de autocorrelação nas séries financeiras é testada utilizando-se a função

de autocorrelação (FAC) dos retornos absolutos e dos retornos ao quadrado e a estatística ,

desenvolvida por Box e Pierce (1970). Se o valor calculado exceder o valor crítico de na

distribuição qui-quadrado ao nível de significância escolhido, rejeita-se a hipótese nula de que

todos os são iguais a zero, indicando a existência de autocorrelação, que deverá ser

eliminada por meio da estimação de equação da média ajustada para cada série.

A análise da distribuição das séries é executada com a aplicação do teste Jarque-Bera e

com a análise dos gráficos 27, que indicarão o tipo de distribuição (normal ou t-student)

que será utilizada no processo de modelagem da volatilidade.

3.1.2 Causalidade entre a volatilidade dos retornos dos índices financeiros e a volatilidade dos

retornos do mercado futuro agropecuário no Brasil

Para testar se a volatilidade dos retornos do índice S&P500 e do Ibovespa causam a

volatilidade dos retornos dos contratos futuros de boi gordo, milho, café arábica e soja, no

período 2002-2011, é utilizado o teste de causalidade proposto por Cheung e Ng (1996). O

método de Cheung e Ng (1996) consiste em um processo de dois estágios que avalia a função

de correlação cruzada (FCC) dos quadrados dos resíduos padronizados.

O primeiro estágio envolve a estimação de modelos GARCH univariados de cada série

de retornos, (retorno do índice financeiro e retorno do mercado futuro). Uma vez

obtida as variâncias, por meio dos modelos GARCH, parte-se para o segundo estágio, que

consiste na construção da série dos quadrados dos resíduos padronizados proveniente dessa

estimação, denominados e .

( )

(40)

( )

(41)

27 O gráfico (quantis versus quantis) é usado para verificar se os dados de uma série seguem determinada

distribuição teórica de probabilidade. Se a distribuição dos dados é igual à teórica, os pontos no gráfico devem

coincidir com uma linha reta.

30

em que e são, respectivamente, os valores médios das séries de retornos do mercado

financeiro e do mercado futuro, e são as variâncias condicionais. A correlação

cruzada na defasagem (lag) k, ( ), é dada por:

( ) ( )( ( ) ( ))

( ) ( )

√ ( ) ( ) (42)

na qual ( ) ∑ (

)̅̅̅̅ ( ̅); ( ) e ( ) são as

variâncias de u e v, respectivamente, e T é o tamanho da amostra.

O teste de Cheung e Ng (1996), deste modo, é baseado na avaliação da significância

das FCC dos resíduos padronizados ao quadrado, ( ) (sendo u correspondente à equação

dos retornos do índice financeiro e v correspondente à equação dos retornos do mercado

futuro), visando detectar relações causais e identificar a direção da causalidade. Para o teste

de causalidade em cada defasagem k, compara-se √ ̂ ( ) com uma distribuição normal

padronizada.

A partir dos resultados obtidos, é possível constatar se há evidências de que a

volatilidade do mercado financeiro causa a volatilidade do mercado futuro agropecuário no

Brasil, no período compreendido entre os anos de 2002 e 2011, visto que o incremento das

negociações com derivativos agropecuários sugere que o fluxo de investimentos advindo do

mercado financeiro internacional e nacional esteja atuando de forma a aumentar a volatilidade

dos mercados futuros.

3.1.3 Relação entre volume negociado e retorno dos preços

O aumento das atividades de compra e venda de contratos no mercado futuro

agropecuário fomentado, segundo a teoria da financeirização, pela comprovada característica

de gerenciamento de risco inerente aos contratos futuros, tem provocado questionamentos a

respeito da relação entre o volume transacionado e as variações dos preços futuros das

commodities.

Para detectar potencial relação causal entre o volume de contratos futuros negociados

na BM&FBOVESPA, no período 2002-2011, e os retornos das cotações desses contratos,

31

utiliza-se análise baseada no modelo de Auto-Regressão Vetorial (VAR), cujas variáveis são o

volume diário de negociação dos contratos futuros de boi gordo (VOL_BGI), milho

(VOL_CCM), café arábica (VOL_ICF) e soja (VOL_SFI) e os retornos das cotações futuras

diárias desses contratos: boi gordo (DLOGBGI), café arábica (DLOGICF), milho

(DLOGCCM) e soja (DLOGSFI). O modelo pode ser representado pelas seguintes equações:

∑ ∑

(43)

∑ ∑

(44)

nas quais Vt corresponde ao volume diário comercializado de cada contrato futuro

agropecuário, corresponde ao retorno dos preços desses contratos, são os

parâmetros a serem estimados, são perturbações aleatórias não correlacionadas entre si

e corresponde ao número de defasagens selecionadas segundo os critérios de Akaike e

Schwarz.

Utilizando o método proposto por Granger (1969), as equações (43) e (44) permitem a

identificação de relação linear causal entre volume e retornos dos preços. Se o vetor de

coeficientes estimados da equação (43) for estatisticamente significante, enquanto que o

vetor de coeficientes da equação (44) for estatisticamente não significante, o retorno dos

preços causa no sentido de Granger o volume comercializado, ou seja, o retorno dos preços

precede temporalmente o volume transacionado, sendo observado, nesse caso, causalidade

unidirecional entre essas variáveis. Da mesma forma, se o vetor de coeficientes estimados

da equação (43) for estatisticamente não significante, enquanto que o vetor de coeficientes

da equação (44) for estatisticamente significante, o volume comercializado precede

temporalmente o retorno dos preços.

Se, tanto quanto forem estatisticamente significantes, observa-se causalidade

bidirecional entre essas variáveis, indicando que os valores defasados de cada variável se

mostram importantes para a predição dos valores uma da outra. No entanto, se os parâmetros

estimados e forem estatisticamente não significantes, não há relação de causalidade

linear entre as variáveis volume e preço.

A primeira estratégia para a averiguação da existência de relação linear entre as

variáveis consiste no exame da estacionariedade das séries referentes ao volume diário de

comercialização dos contratos futuros de boi gordo (VOL_BGI), milho (VOL_CCM), café

arábica (VOL_ICF) e soja (VOL_SFI), uma vez que a estacionariedade das séries de retornos

32

do mercado futuro já foram testadas na primeira análise. O restante do processo segue os

mesmos passos descritos nas seções anteriores.

A seleção do modelo VAR segue o procedimento de redução gradual do número de

defasagens de cada modelo, tendo-se como referência os resultados dos critérios de

informação de Akaike (AIC), Schwarz (SC) e Hannan-Quinn (HQ), enquanto que a

estabilidade do modelo VAR, conforme sugere Lütkepohl (1991), é testada por meio da

análise do comportamento das raízes inversas do polinômio característico.

3.2 Fonte de dados

Utilizam-se nesta pesquisa dados referentes às cotações de ajuste do índice S&P500,

obtidas no site do YAHOO-Finanças, às cotações médias do índice Ibovespa28

e às cotações

médias e volume transacionado dos contratos futuros de boi gordo, milho, café arábica e soja,

ambos obtidos no site da BM&FBOVESPA.

Os contratos futuros de açúcar cristal e etanol não puderam ser utilizados devido à

indisponibilidade de dados referentes às cotações futuras para determinados anos dentro do

período analisado. O contrato futuro de açúcar cristal (ISU), ainda que disponível atualmente

para negociação na BM&FBOVESPA, não apresenta liquidez, tendo sua última cotação

futura formada em julho/2009.

Em relação ao etanol (ETH), depois do insucesso do contrato de etanol anidro lançado

em 2007, cuja cotação era em dólares, com formação de preço no Porto de Santos, um novo

contrato (etanol hidratado), cotado em reais e com liquidação financeira, foi lançado em

maio/2010. Não obstante, no período compreendido entre dezembro/2008 e maio/2010, não

houve registro de negociação de etanol no mercado futuro brasileiro.

A princípio, a variável a ser utilizada para representar o mercado financeiro

internacional seria o volume de capital estrangeiro entrante no mercado futuro agropecuário

brasileiro, no entanto, como a mesma não está disponível, foi utilizado o índice da Standard

and Poor’s (S&P500), que tem sido adotado pela literatura, devido a sua importância, como

proxy para o mercado financeiro internacional.

28 Os retornos do Índice S&P500 e do Ibovespa são calculados tendo como base sua cotação, apresentada como

“ponto”, que é uma medida de valor absoluto, cuja função é a de servir de instrumento de comparação,

permitindo a análise de variação do valor de uma carteira de ativos ao longo do tempo. A rentabilidade, portanto,

é representada pela variação dos pontos do índice.

33

A seleção do índice Ibovespa como variável representativa do mercado financeiro

nacional seguiu o mesmo critério adotado para o S&P500 e está baseada na sua importância

como indicador do desempenho do mercado acionário brasileiro. No entanto, deve-se destacar

que, apesar de serem boas proxies, considerando os objetivos propostos, as mesmas possuem

certas limitações, o que pode influenciar alguns resultados sem, contudo, prejudicar a

conclusão geral da pesquisa.

A periodicidade dos dados é diária, desconsiderando-se os dias em que não houve

negociação nas bolsas nacional e internacional (sábados, domingos e feriados). Os dados

referem-se ao período compreendido entre 02/01/2002 e 29/12/2011, com exceção do contrato

futuro de soja, cuja série se inicia em 11/10/2002, já que A BM&FBOVESPA não registrou

negociação de contrato futuro de soja entre 13/06/2001 e 11/10/2002.

A seleção dos contratos baseou-se nos vencimentos com maior volume de negociação

diária, ou seja, para cada dia de pregão foram considerados os contratos mais negociados,

independente do mês de vencimento. Apesar de, geralmente, nas análises que contemplam os

mercados futuros, a seleção dos contratos se basear nos primeiros vencimentos destes, nesta

pesquisa deu-se prioridade à demanda diária pelos contratos, já que nem sempre os contratos

para o primeiro vencimento foram os mais negociados do dia.

34

4 RESULTADOS E DISCUSSÃO

4.1 Transmissão de volatilidade entre o mercado financeiro e o mercado futuro

agropecuário no Brasil

Na Tabela 3, são apresentadas as características das séries de retornos financeiros

utilizadas nesta análise29

. Observa-se que os índices financeiros, assim como os contratos

futuros agropecuários, apresentaram, na média, retornos diários negativos no decorrer do

período analisado. Tanto o maior, quanto o menor retorno foram gerados pelos contratos

futuros de milho.

O teste de estacionariedade30

aplicado a essas séries indica que as mesmas são

estacionárias. Os gráficos dos retornos e dos retornos ao quadrado31

demonstram a incidência

de clusters de volatilidade, sugerindo a existência de heterocedasticidade condicional auto-

regressiva, que foi confirmada com a aplicação do Teste do Multiplicador de Lagrange

(LM)32

.

A análise da distribuição das séries indicou a não normalidade dos retornos. As séries

ainda apresentam leptocurtose e alto coeficiente de curtose (Anexo B). Os gráficos dos

quantis, por sua vez, demonstram que os retornos têm característica de assimetria e caudas

mais pesadas, incompatíveis com as da distribuição normal33

(Anexo C). No mesmo gráfico é

possível constatar que as séries de retornos adaptam-se melhor à distribuição t-Student,

sugerindo qual a distribuição mais adequada a ser utilizada no processo de modelagem da

volatilidade.

Os resíduos da equação da média para todas as séries de retornos exibiram coeficientes

de correlação estatisticamente significantes, indicando existência de autocorrelação,

confirmada pela estatística , que rejeitou a hipótese nula de que essas correlações

conjuntamente são iguais a zero. Os coeficientes de correlação dos resíduos das séries de

29

As demais informações estatísticas sobre as séries de retornos utilizadas na pesquisa encontram-se no Anexo

B. 30 Os resultados do teste de estacionariedade encontram-se no Apêndice B, Tabela B1. 31 Os gráficos estão disponíveis no Anexo A. 32 Os resultados do teste LM estão disponíveis no Apêndice C. 33 Costa e Baidya (2001), baseados em Praetz (1972) e Clark (1973), argumentam que caudas mais pesadas

podem ser explicadas pela mistura de distribuições normais. Tal ideia originou muitos modelos não lineares,

como os da família GARCH.

35

retornos ao quadrado também se mostraram estatisticamente significantes, confirmando a

existência de heterocedasticidade condicional (Anexo D).

Tabela 3 – Características das séries de retornos dos mercados financeiros, internacional e

nacional, e do mercado futuro agropecuário brasileiro, período 2002-2011

Variáveis Média Máximo Mínimo Desvio-

padrão

Número de

observações

DLOGSP500 -2,07e-20 0,109538 -0,094729 0,013883 2.518

DLOGIND -1,09e-18 0,114915 -0,130941 0,017213 2.486

DLOGBGI -9,57e-19 0,189226 -0,191194 0,040068 2.473

DLOGCCM -1,26e-18 0,382457 -0,518926 0,054223 2.469

DLOGICF -1,71e-18 0,121971 -0,121263 0,021645 2.477

DLOGSFI -3,94e-19 0,210806 -0,254503 0,032985 2.254

Fonte: Elaborada pela autora com base nos resultados da pesquisa.

Notas: DLOGSP500 = retornos das cotações futuras do índice S&P500, DLOGIND =

retornos das cotações futuras do IBOVESPA, DLOGBGI = retornos das cotações futuras do

boi gordo, DLOGCCM = retornos das cotações futuras do milho, DLOGICF = retornos das

cotações futuras do café arábica, DLOGSFI = retornos das cotações futuras da soja.

A modelagem das séries de retornos foi realizada utilizando-se o modelo BEKK

(Baba, Engle, Kraft e Kroner), pertencente à família dos modelos GARCH multivariados, o

que permitiu a modelagem conjunta das variâncias e covariâncias dinâmicas entre as séries.

Nesta pesquisa, foi aplicado o modelo BEKK bivariado (Equação 37), considerando os

retornos diários de cada índice financeiro (S&P500 e Ibovespa) e de cada contrato

agropecuário, no período compreendido entre os anos de 2002 e 2011.

Devido à presença de autocorrelação nas séries de retornos, as equações da média

foram ajustadas, com a utilização de termos ARMA, de forma a eliminá-la. Para cada modelo

BEKK, foi estimada uma matriz de variâncias e covariâncias condicionais34

.

i. Mercado financeiro internacional – mercado futuro agropecuário

Nesta seção são apresentadas as volatilidades estimadas para as séries de retornos do

mercado financeiro internacional (S&P500) e para as séries de retornos do mercado futuro

brasileiro (boi gordo, milho, café arábica e soja), no período 2002-201135

.

34A ordem que se mostrou mais adequada para a estimação dos modelos foi o BEKK (1,1), uma vez que as

ordens superiores a estas não apresentaram coeficientes estatisticamente significantes. 35

As linhas de comando utilizadas para a estimação do modelo encontram-se no Apêndice D.

36

Os resultados da análise para o mercado futuro de boi gordo estão disponíveis na

Tabela 4, na qual se visualizam os coeficientes estimados para as equações da média e

variância. Na equação da média encontram-se os termos auto-regressivos das séries

DLOGSP500 e DLOGBGI, utilizados para eliminar a autocorrelação dos resíduos, detectada

pela análise de correlograma na fase de modelagem das séries. Apesar de o coeficiente auto-

regressivo dlogsp500(-1) não se mostrar estatisticamente significante, foi mantido no modelo

por resolver o problema de autocorrelação36

.


futuros de boi gordo, período 2002-2011

Variáveis Coeficientes t-value p-value

ARMA (1,1)

Equação da média

C(dlogsp500) 0,0003008 2,5611 0,0104 **

C(dlogbgi) 0,0002061 1,0340 0,3012 NS

AR(dlogsp500 (-1)) 0,4738854 3,1377 0,0017 ***

AR(dlogbgi (-1)) -0,0491889 -0,7045 0,4812 NS

MA(dlogsp500 (-1)) -0,5530779 -3,8892 0,0001 ***

MA(dlogbgi (-1)) -0,2457476 -3,6075 0,0003 ***

Equação da variância (matriz VAR-COV)

CONSTANTES

c(1, 1) 0,0007660 3,6769 0,0002 ***

c(2, 1) 0,0004951 0,2819 0,7780 NS

c(2, 2) 0,0042205 11,4351 0,0000 ***

COEFICIENTES

ARCH

( )

a(1; 1, 1) 0,2594713 13,5920 0,0000 ***

a(1; 2, 1) 0,0223352 0,7300 0,4654 NS

a(1; 1, 2) -0,0088482 -1,8100 0,0704 *

a(1; 2, 2) 0,6276390 17,8271 0,0000 ***

COEFICIENTES

GARCH

( )

b(1; 1, 1) 0,9751867 305,8132 0,0000 ***

b(1; 2, 1) -0,0020368 -0,2316 0,8169 NS

b(1; 1, 2) 0,0035460 1,5714 0,1162 NS

b(1; 2, 2) 0,8377945 109,6754 0,0000 ***


Notas: *** denota significância estatística em nível de 1%, ** denota significância estatística

em nível de 5%, * denota significância estatística em nível de 10%.NS = Indica

estatisticamente não significante

Na equação da variância, observa-se que o coeficiente ARCH a12, que denota a

influência do erro quadrático dos retornos do mercado financeiro internacional no período

sobre a determinação da variância dos retornos do mercado futuro de boi gordo no período ,

36

Esse critério foi mantido para as demais séries modeladas.

37

é significante apenas ao nível de 10%. Por sua vez, o coeficiente ARCH a21 não se mostra

estatisticamente significante37

.

Os coeficientes GARCH estimados apontam para a inexistência de transmissão direta

de volatilidade entre o mercado financeiro internacional e o mercado futuro de boi gordo, uma

vez que os coeficientes b12 e b21 que, respectivamente, representam a influência da variância

do mercado internacional sobre a variância do mercado futuro e a influência da variância do

mercado futuro sobre a variância do mercado financeiro internacional, não se mostram

estatisticamente significantes.

Ressalta-se que uma das características do mercado futuro de boi gordo no Brasil é o

baixo nível de participação dos investidores estrangeiros, principalmente em comparação aos

investidores institucionais nacionais. Um dos motivos pode estar associado ao fato de os

contratos futuros de boi gordo, até o ano de 2011, permitirem o encerramento por entrega

física, o que podia gerar para as partes do contrato (principalmente para os investidores)

problemas decorrentes dos altos custos de transação inerentes a este tipo de liquidação.

Na análise do mercado futuro de milho, cujos resultados encontram-se na Tabela 5,

observa-se que os termos ARCH a12 e a21 não são estatisticamente significantes, indicando

que o erro quadrático dos retornos do mercado financeiro internacional não influencia a

volatilidade dos retornos do mercado futuro de milho, assim como o erro quadrático do

mercado futuro de milho não influencia a volatilidade dos retornos do mercado financeiro

internacional.

A produção de milho, juntamente com a de soja, contribui com cerca de 80% da

produção de grãos no Brasil. A diferença entre as duas culturas reside no fato de o mercado de

soja apresentar maior liquidez, dada a sua inserção no mercado internacional, enquanto que o

milho tem sua produção voltada basicamente para o abastecimento interno38

. No entanto, nos

últimos anos, o milho é o derivativo agropecuário que vem apresentando maior crescimento

de negociação na BM&FBOVESPA, provocado pelo aumento da importância do milho no

cenário mundial, fomentado pela sua utilização na produção de biocombustíveis39

.

37 As equações resultantes da multiplicação das matrizes estimadas pelo modelo BEKK encontram-se no

Apêndice E. Os modelos das equações de variância e covariância podem ser visualizados na Equação 38. 38 Dados obtidos no site da EMBRAPA. Disponível em: <http://www.embrapa.br/> 39

Dados obtidos no site da AVEWORLD. Disponível em: <http://www.aveworld.com.br>

38


futuros de milho, período 2002-2011


ARMA (2,2)

Equação da média

C(dlogsp500) 0,0003080 0,07828 0,9376 NS

C(dlogccm) 0,0000059 0,11358 0,9096 NS

AR(dlogsp500 (-1)) 0,5916 0,05801 0,9537 NS

AR(dlogccm (-1)) 1,027 9,22157 0,0000 ***

AR(dlogsp500 (-2)) -0,06197 -0,01475 0,9882 NS

AR(dlogccm (-2)) -0,2054 -3,79253 0,0002 ***

MA(dlogsp500 (-1)) -0,6702 -0,06573 0,9476 NS

MA(dlogccm (-1)) -1,375 -12,6264 0,0000 ***

MA(dlogsp500 (-2)) 0,07756 0,01552 0,9876 NS

MA(dlogccm (-2)) 0,4968 8,67737 0,0000 ***


CONSTANTES

c(1, 1) 0,0008155 4,48769 0,0000 ***

c(2, 1) 0,0002566 0,14589 0,8840 NS

c(2, 2) 0,005468 12,0316 0,0000 ***

COEFICIENTES

ARCH

( )

a(1; 1, 1) 0,2510 14,7540 0,0000 ***

a(1; 2, 1) -0,02060 -0,51230 0,6085 NS

a(1; 1, 2) 0,006009 1,41484 0,1572 NS

a(1; 2, 2) 0,5333 19,6586 0,0000 ***

COEFICIENTES

GARCH

( )

b(1; 1, 1) 0,9721 270,959 0,0000 ***

b(1; 2, 1) 0,005321 0,44510 0,6563 NS

b(1; 1, 2) -0,003092 -1,75957 0,0786 *

b(1; 2, 2) 0,8710 111,242 0,0000 ***



em nível de 5%, * denota significância estatística em nível de 10%. NS = Indica

estatisticamente não significante.

A partir de setembro de 2008, o contrato futuro de milho, que permitia a liquidação

financeira ou por entrega física, passou a ter liquidação exclusivamente financeira. No mesmo

ano, foi registrado crescimento da participação de investidores institucionais nacionais e

investidores estrangeiros40

na negociação de contratos futuros de milho, o que pode ter sido

reflexo dessa mudança nos termos de encerramento do contrato.

Diferentemente do observado no mercado futuro de boi gordo, o coeficiente que

representa a influência da variância do mercado internacional sobre a variância do mercado

futuro, b12, se mostra estatisticamente significante, indicando que a volatilidade do mercado

acionário internacional no período é relevante para a determinação da volatilidade do

40 A tabela contendo o resumo da evolução da participação dos investidores no mercado futuro agropecuário

brasileiro encontra-se no Apêndice A.

39

mercado futuro de milho no período No entanto, a significância estatística do coeficiente

GARCH b12, se dá apenas ao nível de 10%. Tal fato pode estar associado às limitações da

proxy utilizada, que abrange apenas o mercado acionário, não refletindo as atividades nos

demais segmentos, como os mercados de títulos e derivativos financeiros, por exemplo.

O terceiro mercado analisado é o mercado futuro de café arábica (Tabela 6). Na

equação da variância, observa-se que o termo ARCH a21 é estatisticamente significante a 5%,

indicando que o erro quadrático dos retornos do mercado futuro de milho no período t-1

influencia a volatilidade dos retornos do mercado financeiro internacional no período t.


futuros de café arábica, período 2002-2011


Equação da média

ARMA (1,1)

C(dlogsp500) 0,0002423 2,4498 0,0144 **

C(dlogicf) -0,0001351 -0,2703 0,7869 NS

AR(dlogsp500 (-1)) 0,5871806 4,5627 0,0000 ***

AR(dlogicf(-1)) -0,3856609 -2,1696 0,0301 **

MA(dlogsp500 (-1)) -0,6626087 -5,6479 0,0000 ***

MA(dlogicf(-1)) 0,4673768 2,7630 0,0057 ***


CONSTANTES

c(1, 1) 0,0007388 2,8627 0,0042 ***

c(2, 1) 0,0038764 1,0374 0,2997 NS

c(2, 2) 0,0104131 6,6904 0,0000 ***

COEFICIENTES

ARCH

( )

a(1; 1, 1) 0,2462887 15,0836 0,0000 ***

a(1; 2, 1) -0,1048070 -2,5621 0,0105 **

a(1; 1, 2) 0,0184173 1,6240 0,1045 NS

a(1; 2, 2) 0,4908610 16,621 0,0000 ***

COEFICIENTES

GARCH

( )

b(1; 1, 1) 0,9694373 246,438 0,0000 ***

b(1; 2, 1) 0,0207708 1,3527 0,1763 NS

b(1; 1, 2) -0,0185279 -1,6515 0,0988 *

b(1; 2, 2) 0,6853265 21,1093 0,0000 ***





Assim como verificado no mercado futuro de milho, foi confirmada estatisticamente a

transmissão de volatilidade do mercado financeiro internacional para o mercado futuro de

café arábica, uma vez que o coeficiente GARCH b12 se mostrou estatisticamente significante,

embora apenas ao nível de 10%.

40

O mercado de café, atualmente, é o segundo maior mercado mundial de produtos

naturais, perdendo apenas para o petróleo. O Brasil é o maior exportador mundial de café

arábica e o segundo maior de café robusta41

. Quando comparado aos mercados futuros de boi

gordo, milho e soja, o mercado de café arábica é aquele que registra a maior participação de

investidores estrangeiros na comercialização de contratos futuros, superando, na média, a

participação dos investidores institucionais nacionais.

Procedendo à análise do mercado futuro de soja, os resultados são apresentados na

Tabela 7 e mostram que, assim como observado no mercado futuro de milho, os termos

ARCH a12 e a21 não são estatisticamente significantes.


futuros de soja, período 2002-2011


ARMA (1,1)

Equação da média

C(dlogsp500) 0,0003172 2,2153 0,0027 ***

C(dlogsfi) 0,0003596 1,6337 0,1025 NS

AR(dlogsp500 (-1)) 0,4081435 2,1070 0,0352 **

AR(dlogsfi (-1)) 0,1178117 1,2288 0,2193 NS

MA(dlogsp500 (-1)) -0,4837708 -2,6163 0,0089 ***

MA(dlogsfi (-1)) -0,3361859 -3,7075 0,0002 ***


CONSTANTES

c(1, 1) 0,0009088 5,0322 0,0000 ***

c(2, 1) -0,0006969 -0,5251 0,5996 NS

c(2, 2) 0,0055380 12,8805 0,0000 ***

COEFICIENTES

ARCH

( )

a(1; 1, 1) 0,2438785 13,1346 0,0000 ***

a(1; 2, 1) 0,0485227 1,3867 0,1657 NS

a(1; 1, 2) -0,0117338 -1,3961 0,1628 NS

a(1; 2, 2) 0,4993786 16,3980 0,0000 ***

COEFICIENTES

GARCH

( )

b(1; 1, 1) 0,9728284 248,5371 0,0000 ***

b(1; 2, 1) -0,0114715 -1,0688 0,2853 NS

b(1; 1, 2) 0,0069988 1,8241 0,0683 *

b(1; 2, 2) 0,8567175 78,1594 0,0000 ***





Não obstante, a significância estatística do coeficiente GARCH b12 (ao nível de 10%)

indica haver, assim como nos mercados futuros de milho e café arábica, transmissão de

41

Dados obtidos no site da ADVFN. Disponível em: < http://br.advfn.com/>.

41

volatilidade do mercado financeiro internacional em direção ao mercado futuro de soja, não

ocorrendo transmissão no sentido contrário.

A soja é, dentre as commodities estudadas, a que apresenta o maior volume de

exportações. O complexo soja é um dos principais responsáveis pelo desenvolvimento e

sucesso do agronegócio brasileiro, respondendo por quase 12% do total das receitas cambiais

no Brasil42

. No ranking mundial de produtores, o Brasil perde apenas para os EUA.

Seguindo a tendência do mercado futuro brasileiro em relação às commodities

agropecuárias, em janeiro de 2011, foi extinta a entrega física como forma de encerramento

dos contratos futuros de soja, prevalecendo apenas a liquidação financeira. Destaca-se que

este é um mercado com participação incipiente dos investidores nacionais e estrangeiros, com

a comercialização de contratos futuros sendo movimentada, em sua maioria, por pessoas

jurídicas não financeiras (aproximadamente 90%), representadas por tradings, cooperativas,

empresas de carnes e fornecedoras de insumos.

Na Figura 3, encontra-se a volatilidade diária estimada a partir do modelo BEKK, para

o Índice S&P500 e para os mercados futuros de boi gordo, milho, café arábica e soja, entre os

anos de 2002 e 2011.

No mercado futuro de boi gordo (Figura 3(a)), observa-se que no ano de 2002, tanto a

volatilidade dos retornos do mercado futuro de boi gordo (VOLAT_BGI), quanto a

volatilidade dos retornos do mercado financeiro internacional (VOLAT_SP500)

demonstraram certo grau de instabilidade. No mercado futuro, tal perturbação coincide com o

início da trajetória altista dos preços das commodities, enquanto que a inquietação do mercado

acionário internacional ainda reflete as consequências da crise das empresas “pontocom”, que

culminou no ano 2001.

A partir de 2003, o mercado futuro de boi gordo passou a registrar aumento

substancial de sua volatilidade. Neste mesmo ano, as exportações de carne bovina cresceram

45,4%, sustentadas pelo crescimento de 8,6% na produção nacional. O maior choque de

volatilidade ocorreu no ano de 2006, no qual o índice diário chegou a 14,8%, no mês de

janeiro, encerrando o ano com média diária de 5,7%. Neste período, um dos acontecimentos

importantes registrados no mercado pecuário brasileiro foi a expansão internacional do grupo

42

Dado obtido no site da ABIOVE. <www.abiove.com.br>

42

JBS S.A, iniciado em 200543

, aumentando a capacidade produtiva da empresa para 22,6 mil

cabeças/dia44

. Entretanto, não se pode afirmar que este fato tenha relação direta com o

aumento da volatilidade observada.

a) S&P500 – boi gordo

b) S&P500 – milho

c) S&P500 – café arábica

d) S&P500 – soja

Figura 3 - Volatilidade diária dos retornos do índice S&P500 e dos contratos futuros de boi

gordo, milho, café arábica e soja, período 2002-2011.


No período da crise financeira do subprime (2007-2008), a volatilidade do mercado

futuro de boi gordo chegou a apresentar pico diário de 11,8%, em 2007, e 10,8%, em 2008,

todavia, a média para o período foi menor do que a observada no período pré-crise. No pós-

43 No ano de 2005, o grupo Friboi foi reestruturado dando origem ao grupo JBS S.A, que iniciou processo de

internacionalização com a aquisição da Swift Armour S.A, maior produtora e exportadora de carne bovina da

Argentina. 44

Dados obtidos no site da JBS-Friboi, disponível em: <http://www.jbs.com.br/>.

0%

2%

4%

6%

8%

10%

12%

14%

16%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Vo

lati

lidad

e

VOLAT_SP500 VOLAT_BGI

0%

5%

10%

15%

20%

25%

30%

35%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Vo

lati

lidad

e

VOLAT_SP500 VOLAT_CCM

0%

2%

4%

6%

8%

10%

12%

14%

16%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Vo

lati

lidad

e

VOLAT_SP500 VOLAT_ICF

0%

2%

4%

6%

8%

10%

12%

14%

16%

ou

t-0

2

abr-

03

ou

t-0

3

abr-

04

ou

t-0

4

abr-

05

ou

t-0

5

abr-

06

ou

t-0

6

abr-

07

ou

t-0

7

abr-

08

ou

t-0

8

abr-

09

ou

t-0

9

abr-

10

ou

t-1

0

abr-

11

ou

t-1

1

Vo

lati

lidad

e

VOLAT_SP500SFI VOLAT_SFI

↔

CRISE

↔

CRISE

CR

ISE

↔

CRISE

↔

CRISE ↔

CRISE

↔

CRISE

↔

CRISE

http://www.jbs.com.br/

43

crise, a média diária de volatilidade reduziu-se gradualmente, marcando 2,1%, 1,8% e 1,3%,

nos anos de 2009, 2010 e 2011, respectivamente.

Comparado ao mercado de derivativos agropecuários, o mercado acionário

internacional, representado pelo Índice S&P500, demonstrou maior estabilidade, registrando,

entre os anos de 2002 e 2011, volatilidade média de 1,2%. No período da crise financeira

internacional (2007- 2008), a volatilidade diária média foi de 1% e 1,9%, respectivamente. O

maior choque de volatilidade foi verificado no ano de 2009, 5,4%, ano em que também foi

anotada a maior média de volatilidade do período 2002-2011, 2,2%.

No ano de 2009, o mercado futuro de boi gordo e, principalmente, o mercado

financeiro internacional apresentaram índices de volatilidade muito próximos aos verificados

no auge da crise (no caso do último foi até maior), mostrando que, apesar do abrandamento

dos efeitos da crise, devido às diversas medidas econômicas adotadas em 2008, ao redor do

mundo e fundamentalmente nos EUA, objetivando a manutenção da liquidez no mercado

financeiro, os resquícios da crise continuaram a afetar estes mercados nos anos subsequentes,

vindo a dissipar-se lentamente.

A volatilidade estimada para o mercado financeiro internacional e o mercado futuro de

milho encontra-se na Figura 3(b). Entre os quatro mercados futuros analisados, o mercado de

milho é o que se mostra mais volátil. Os maiores choques de volatilidade nesse mercado

(VOLAT_CCM) ocorreram nos anos de 2002 e 2007. Em 2002, a volatilidade diária chegou a

24,5%, no mês de novembro, sendo que a média diária do ano foi de 6,7%.

O segundo pico de volatilidade, o de maior magnitude, foi registrado no início da crise

financeira internacional, em 2007, no final de novembro, chegando a 29%. A média diária

desse ano, no entanto, foi menor do que a registrada em 2002, 5,8%. No cenário nacional, o

ano de 2007 foi marcado pelo crescimento de 20,8% da produção de milho.

No pós-crise, assim como verificado no mercado futuro de boi gordo e no mercado

financeiro internacional, a média de volatilidade do mercado futuro de milho começa a decair,

sinalizando 2,8%, em 2009, 2,9%, em 2010, e 2,5%, em 2011. A partir do ano de 2010,

porém, é perceptível a ocorrência de novos choques de volatilidade, embora com menos

intensidade do que os choques verificados no ano de 2002 e 2007-2008, possivelmente já

refletindo os efeitos da crise financeira na Europa, iniciada na Grécia, em 2009.

Dos mercados futuros analisados, o de café arábica (Figura 3(c)), é o menos volátil. A

média diária de volatilidade no período 2002-2011 foi de aproximadamente 2%. Neste,

também destacam-se dois momentos de maior inquietação. O primeiro se deu em 2002, onde

44

a média de volatilidade foi de 2,5%, com pico de 6,8%, no mês de novembro. O segundo foi

na crise financeira do subprime, com média de volatilidade de 2,1%, tanto no ano de 2007,

quanto no ano de 2008.

Ao contrário dos mercados futuros de boi gordo e milho, o mercado de café arábica

ostentou níveis de volatilidade muito próximos aos registrados no mercado financeiro

internacional, representado aqui pelo Índice S&P500, com ligeira queda de volatilidade nos

anos posteriores à crise financeira do subprime, fato também verificado nos demais mercados

analisados.

No mercado futuro de soja, cuja volatilidade estimada está representada na Figura

3(d), os anos que registraram maior média diária de volatilidade foram 2003 (3,3%), 2008

(3,2%) e 2009 (4%). Os níveis de volatilidade (VOLAT_SFI) estiveram mais altos no ano de

2009 do que em 2007 (2,7%) e 2008 (3,2%), durante a crise do subprime.

A partir de 2010, apesar da redução da média de volatilidade (em relação ao ano de

2009), o mercado futuro de soja parece ingressar em uma nova onda de inquietação. Embora

os choques de volatilidade nesse período tenham sido menores do que os registrados nos anos

anteriores, não deixam de ser importantes como alerta, já que podem estar refletindo os sinais

da instabilidade provocada pela recente crise europeia nos mercados financeiros

internacionais.

ii. Mercado financeiro nacional – mercado futuro agropecuário

Nesta seção são apresentadas as volatilidades estimadas para as séries de retorno do

mercado financeiro nacional e para as séries de retornos do mercado futuro brasileiro, no

período 2002-2011.

Utilizando a mesma metodologia adotada na verificação da transmissão de volatilidade

entre o mercado financeiro internacional e os mercados futuros, é realizada a análise da

transmissão de volatilidade entre o mercado financeiro nacional, representado pelo índice

acionário Ibovespa, e o mercado agropecuário brasileiro, representado pelos contratos futuros

de boi gordo, milho, café arábica e soja.

Na Tabela 8 encontram-se os coeficientes estimados para as equações da média e da

variância, considerando a análise envolvendo o mercado financeiro nacional e o mercado

futuro de boi gordo. Constata-se que os coeficientes ARCH, a12 e a21, não são estatisticamente

45

significantes, assim como o coeficiente GARCH b12, que representa a transmissão de

volatilidade do mercado financeiro nacional para o mercado futuro de boi gordo.

Ao contrário do esperado, o coeficiente b21, que representa a influência da volatilidade

dos retornos do mercado futuro de boi gordo no período sobre a volatilidade dos retornos

do mercado nacional no período , se mostra estatisticamente significante (ao nível de 5%),

indicando ter havido transmissão de volatilidade do mercado futuro de boi gordo para o

mercado financeiro nacional, no período 2002-2011.


futuros de boi gordo, período 2002-2011


Equação da média

ARMA (1,1)

C(dlogind) 0,0003980 1,1736 0,2407 NS

C(dlogbgi) 0,0001344 0,6885 0,4912 NS

AR(dlogind (-1)) -0,1136057 -1,0453 0,2960 NS

AR(dlogbgi (-1)) -0,0437573 -0,6444 0,5194 NS

MA(dlogind (-1)) 0,2778474 2,6470 0,0082 ***

MA(dlogbgi (-1)) -0,2658159 -4,0650 0,0000 ***


CONSTANTES

c(1, 1) 0,0020344 5,5308 0,0000 ***

c(2, 1) -0,0025133 -1,9920 0,0465 **

c(2, 2) 0,0030988 3,0160 0,0026***

COEFICIENTES

ARCH

( )

a(1; 1, 1) 0,2159179 11,1264 0,0000 ***

a(1; 2, 1) -0,0130795 -0,5515 0,5814 NS

a(1; 1, 2) 0,0049019 0,4977 0,6187 NS

a(1; 2, 2) 0,6053954 18,8086 0,0000 ***

COEFICIENTES

GARCH

( )

b(1; 1, 1) 0,9766982 232,0254 0,0000 ***

b(1; 2, 1) 0,0194531 2,3309 0,0198 **

b(1; 1, 2) -0,0015947 -0,3354 0,7373 NS

b(1; 2, 2) 0,8427771 112,1236 0,0000 ***




estatisticamente não significante

Na Tabela 9 são apresentados os resultados da análise de transmissão de volatilidade

entre o mercado financeiro nacional e o mercado futuro de milho. Observa-se que, assim

como no mercado futuro de boi gordo, os coeficientes ARCH a12 e a21 não se mostram

estatisticamente significantes.

46

Pode-se afirmar que há transmissão de volatilidade do mercado financeiro nacional

para o mercado futuro de milho, uma vez que o coeficiente GARCH b12 se mostra

estatisticamente significante (apenas ao nível de 10%). Da mesma forma, é possível afirmar,

com base nos resultados, que não há transmissão de volatilidade do mercado futuro de milho

para o mercado financeiro nacional, uma vez que o coeficiente GARCH b21 não se mostra

estatisticamente significante.


futuros de milho, período 2002-2011


Equação da média

ARMA (1,1)

C(1) 0,0003652 1,0319 0,3022 NS

C(2) 0,0000310 0,1340 0,8934 NS

AR(1; 1, 1) -0,1357790 -1,2924 0,1963 NS

AR(1; 2, 2) 0,0877629 1,5136 0,1303 NS

MA(1; 1, 1) 0,3048895 3,0182 0,0026 ***

MA(1; 2, 2) -0,4414467 -8,6164 0,0000 ***


CONSTANTES

c(1, 1) 0,0019099 5,7790 0,0000 ***

c(2, 1) -0,0007959 -0,5332 0,5939 NS

c(2, 2) 0,0052088 10,9418 0,0000***

COEFICIENTES

ARCH

( )

a(1; 1, 1) 0,2012895 11,9301 0,0000 ***

a(1; 2, 1) -0,0113502 -0,3656 0,7147 NS

a(1; 1, 2) -0,0080781 -1,2682 0,2048 NS

a(1; 2, 2) 0,5190593 20,0805 0,0000 ***

COEFICIENTES

GARCH

( )

b(1; 1, 1) 0,9764926 242,8090 0,0000 ***

b(1; 2, 1) 0,0033270 0,3082 0,7580 NS

b(1; 1, 2) 0,0044765 1,7548 0,0794 *

b(1; 2, 2) 0,8728301 113,3614 0,0000 ***





Embora o milho, assim como a carne bovina, tenha representatividade no Ibovespa,

uma vez que as empresas do ramo alimentício e do ramo de bebidas, que utilizam a

commodity como matéria prima, somam, respectivamente, 4% e 1,7% das ações que

compõem o índice, esta não é uma evidência forte o suficiente para justificar o resultado

apresentado. Contudo, salienta-se que, assim como no caso da proxy utilizada para o mercado

financeiro internacional (índice acionário S&P500), a variável empregada como referência

47

para o mercado financeiro nacional (índice acionário Ibovespa), possui limitações, já que não

engloba as movimentações nos mercados de títulos, letras e demais instrumentos financeiros,

o que pode ter influenciado os resultados obtidos nesta pesquisa.

Os resultados da análise de transmissão de volatilidade entre o mercado financeiro

nacional e o mercado futuro de café arábica encontram-se na Tabela 10. Ao contrário da

análise anterior, onde foi examinada a ocorrência de transmissão de volatilidade entre este

mercado e o mercado financeiro internacional, os resultados decorrentes desta análise

apontam não haver transmissão de volatilidade entre o mercado financeiro nacional e o

mercado futuro de café arábica, em nenhuma direção, uma vez que os coeficientes GARCH

b12 e b21 não se mostram estatisticamente significantes.


futuros de café arábica, período 2002-2011


Equação da média

ARMA (1,1)

C(1) 0,0002154 0,6136 0,5395 NS

C(2) -0,0002179 -0,4291 0,6678 NS

AR(1; 1, 1) -0,1091696 -0,9363 0,3492 NS

AR(1; 2, 2) -0,4327856 -2,5450 0,0109 **

MA(1; 1, 1) 0,2724852 2,4111 0,0159 **

MA(1; 2, 2) 0,5109565 3,1776 0,0015 ***


CONSTANTES

c(1, 1) 0,0015743 3,2226 0,0013 ***

c(2, 1) 0,0010794 0,3428 0,7317 NS

c(2, 2) 0,0104603 15,3966 0,0000 ***

COEFICIENTES

ARCH

( )

a(1; 1, 1) 0,2191770 12,6782 0,0000 ***

a(1; 2, 1) 0,0238303 0,7849 0,4326 NS

a(1; 1, 2) -0,0143150 -0,7181 0,4728 NS

a(1; 2, 2) 0,4944566 17,0194 0,0000 ***

COEFICIENTES

GARCH

( )

b(1; 1, 1) 0,9716402 195,9910 0,0000 ***

b(1; 2, 1) -0,0206385 -1,1844 0,2364 NS

b(1; 1, 2) 0,0223102 1,2470 0,2125 NS

b(1; 2, 2) 0,7045341 23,4262 0,0000 ***





Este resultado não chega a surpreender, pois o café arábica é uma commodity cuja

comercialização se mostra mais atrelada à dinâmica do mercado internacional do que às

48

interações do mercado doméstico. Tal a importância do café brasileiro no cenário

internacional que a BM&FBOVESPA está preparando o lançamento dos contratos futuros de

café arábica na bolsa de Chicago45

.

Na análise da transmissão de volatilidade entre o mercado financeiro nacional e o

mercado futuro de soja (Tabela 11), ao contrário do constatado nos mercados de boi gordo e

milho, mas em concordância com o resultado obtido para o mercado de café arábica, os

coeficientes que denotam a influência da volatilidade dos retornos do mercado financeiro

sobre a volatilidade dos retornos do mercado futuro, assim como o que representa a influência

da volatilidade dos retornos do mercado futuro sobre a volatilidade dos retornos do mercado

financeiro, coeficientes GARCH b12 e b21, respectivamente, se mostram estatisticamente não

significantes.


futuros de soja, período 2002-2011


Equação da média

ARMA (1,1)

C(1) 0,0002782 0,7537 0,4511

C(2) 0,0003866 1,6947 0,0903

AR(1; 1, 1) -0,1694833 -1,5413 0,1234

AR(1; 2, 2) 0,0927017 0,9674 0,3335

MA(1; 1, 1) 0,3378075 3,2277 0,0013

MA(1; 2, 2) -0,3188584 -3,5206 0,0004


CONSTANTES

c(1, 1) 0,0021689 5,8271 0,0000 ***

c(2, 1) 0,0007309 0,6345 0,5258 NS

c(2, 2) 0,0051135 12,8537 0,0000 ***

COEFICIENTES

ARCH

( )

a(1; 1, 1) 0,2394486 11,4768 0,0000 ***

a(1; 2, 1) 0,0492424 1,6030 0,1091 NS

a(1; 1, 2) 0,0085977 0,7387 0,4602 NS

a(1; 2, 2) 0,4625033 16,9886 0,0000 ***

COEFICIENTES

GARCH

( )

b(1; 1, 1) 0,9685238 176,9918 0,0000 ***

b(1; 2, 1) -0,0137923 -1,3045 0,1922 NS

b(1; 1, 2) -0,0032462 -0,5719 0,5674 NS

b(1; 2, 2) 0,8708807 88,1628 0,0000 ***





45 O lançamento dos contratos de Ibovespa futuro nos EUA faz parte de um acordo entre a BM&FBOVESPA e o

CME Group, de Chicago, que prevê parcerias de índices de referência globais e de contratos de commodities e de

energia. As informações foram obtidas no site da revista Exame.com, disponível em: <http://migre.me/b8pL5>.

49

Uma das explicações para esse resultado pode residir no fato de que no mercado

nacional de soja, tal qual ocorre no mercado de café arábica, grande parte da produção é

exportada, deixando esse mercado mais sujeito às flutuações das cotações internacionais,

principalmente da bolsa de Chicago (Chicago Board of Trade), do que às oscilações do

mercado doméstico.

O contrário é observado nos mercados futuros de boi gordo e milho, que possuem

mercado interno mais dinâmico, estimulando o desenvolvimento da comercialização em

futuros. No entanto, não se pode afirmar que esta seja a única ou principal explicação para a

não detecção de transmissão de volatilidade entre esses mercados, uma vez que deve-se

considerar, como explicado anteriormente, as limitações da proxy utilizada.

A volatilidade diária estimada para as séries do Ibovespa (VOLAT_IND) e do

mercado futuro de boi gordo (VOLAT_BGI), milho (VOLAT_CCM), café arábica

(VOLAT_ICF) e soja (VOLAT_SFI) é apresentada na Figura 4.

O índice Ibovespa, assim como o S&P500, apresenta menor volatilidade do que o

mercado futuro agropecuário. A média diária de volatilidade do Ibovespa, no período 2002-

2011, ficou em torno de 1,9%, com o maior pico de volatilidade ocorrendo no segundo

semestre de 2008, auge da crise financeira do subprime, chegando a 5,5%, contra 3,2% do

mercado de boi gordo, 3,7% do mercado de milho, 7% do mercado de café arábica e 3,5% do

mercado de soja.

No pós-crise, a volatilidade diária do mercado financeiro nacional reduziu-se

paulatinamente, chegando a níveis inferiores aos registrados no período pré-crise. Porém, a

partir do segundo semestre de 2009, observou-se a ocorrência de pequenos choques,

caracterizando comportamento semelhante ao verificado no mercado financeiro internacional.

Pelo exposto, a análise realizada nesta seção permite afirmar que, com exceção do

contrato futuro de boi gordo, a variância dos retornos do mercado financeiro internacional,

representado pelo índice acionário S&P500, influencia a variância dos retornos dos contratos

futuros, ocorrendo transmissão de volatilidade do primeiro para o segundo mercado. No

entanto, convêm destacar que a significância estatística dos termos GARCH só é comprovada

ao nível de 10%, o que pode estar associada às limitações da proxy utilizada.

50

a) Ibovespa – boi gordo

b) Ibovespa - milho

c) Ibovespa – café arábica

d) Ibovespa - soja

Figura 4 - Volatilidade diária dos retornos do índice Ibovespa e dos contratos futuros de

boi gordo, milho, café arábica e soja, período 2002-2011.


Com relação ao mercado financeiro nacional, representado pelo índice Ibovespa, os

resultados apontam para a transmissão de volatilidade deste mercado apenas para o mercado

futuro de milho, enquanto que no mercado futuro de boi gordo, a transmissão se dá na direção

oposta, do mercado futuro para o mercado financeiro nacional. Não há indícios de transmissão

de volatilidade entre o mercado financeiro nacional e os mercados futuros de café arábica e

soja, em nenhuma direção.

Na análise envolvendo o mercado futuro de boi gordo, a significância estatística do

coeficiente GARCH a21 se dá apenas ao nível de 10%, enquanto que na análise envolvendo o

mercado futuro de milho, a significância do coeficiente GARCH a12 se dá ao nível de 5%.

0%

2%

4%

6%

8%

10%

12%

14%

16%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Vo

lati

lidad

e

VOLAT_IND VOLAT_BGI

0%

5%

10%

15%

20%

25%

30%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Vo

lati

lidad

e

VOLAT_IND VOLAT_CCM

0%

2%

4%

6%

8%

10%

12%

14%

16%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Vo

lati

lidad

e

VOLAT_IND VOLAT_ICF

0%

2%

4%

6%

8%

10%

12%

14%

16%

ou

t-0

2

abr-

03

ou

t-0

3

abr-

04

ou

t-0

4

abr-

05

ou

t-0

5

abr-

06

ou

t-0

6

abr-

07

ou

t-0

7

abr-

08

ou

t-0

8

abr-

09

ou

t-0

9

abr-

10

ou

t-1

0

abr-

11

ou

t-1

1

Vo

lati

lidad

e

VOLAT_IND VOLAT_SFI

↔

CRISE

↔

CRISE

↔

CRISE

↔

CRISE

↔

CRISE ↔

CRISE

↔

CRISE

51

Assim como no caso da variável empregada como referência para o mercado financeiro

internacional (índice acionário S&P500), a proxy utilizada para representar o mercado

financeiro nacional (índice Ibovespa), apesar de fornecer uma estimativa satisfatória do

mercado financeiro nacional, possui limitações, já que não engloba as movimentações nos

mercados de títulos, letras e demais instrumentos financeiros, o que pode ter influenciado os

resultados obtidos nesta pesquisa.

Ao contrário do esperado, apesar do incremento do volume de negociações no

segmento agropecuário, verificado na BM&FBOVESPA na década de 2000, o que seria,

segundo a teoria da financeirização, reflexo do aumento da atividade especulativa nos

mercados futuros de alimentos, não foi verificado aumento dos níveis de volatilidade desses

mercados. Ainda que no período da crise financeira do subprime (2007-2008) tenham sido

observados alguns choques de volatilidade, no geral, as médias diárias não ficaram muito

distantes das médias verificadas no período pré-crise, afastando a ideia de que, no Brasil, o

crescimento da negociação de contratos futuros de commodities, fomentada pela crise

financeira internacional, esteja contribuindo para o aumento da volatilidade nos mercados

futuros de alimentos.

4.1.2 Covariância entre o mercado financeiro e o mercado futuro agropecuário

Nesta seção, são apresentadas as covariâncias estimadas pelo modelo BEKK (Equação

37) para as séries de retornos dos mercados financeiros, internacional (S&P500) e nacional

(Ibovespa), e para as séries de retornos do mercado futuro brasileiro (boi gordo, milho, café

arábica e soja), no período 2002-2011.

A covariância é a medida que indica a dependência conjunta entre as séries de retornos

referentes ao mercado financeiro e ao mercado futuro agropecuário. Quanto maior seu valor

absoluto, mais essas séries se mostrarão intimamente associadas. Se a covariância for

extremamente positiva, indicará que os retornos dos ativos tendem a mover-se na mesma

direção; caso sejam altamente negativas, os retornos ainda refletirão forte dependência

conjunta, mas tenderão a mover-se em sentido contrário. As séries também podem mostrar-se

independentes, caso apresentem valores não significativamente diferentes de zero.

52

i. Mercado financeiro internacional – mercado futuro agropecuário

A covariância diária estimada para os retornos do índice S&P500 e os retornos dos

contratos futuros de boi gordo (COV.SP500-BGI), milho (COV.S&P500-CCM), café arábica

(COV.S&P500-ICF) e soja (COV.S&P500-SFI) são apresentadas na Figura 5.

a) Covariância S&P500 – boi gordo

b) Covariância S&P500 – milho

c) Covariância S&P500 – café arábica

d) Covariância S&P500 - soja

Figura 5 – Covariância diária entre os retornos do índice S&P500 e os retornos dos

contratos futuros de boi gordo, milho, café arábica e soja, período 2002 – 2011.


Observa-se, no período analisado, a existência de algumas alterações no nível de

covariância entre os mercados, com destaque para os anos de 2002 e 2007-2008. Essas

-0.15%

-0.10%

-0.05%

0.00%

0.05%

0.10%

0.15%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Co

vari

ânci

a

COV. SP&500-BGI

-0.15%

-0.10%

-0.05%

0.00%

0.05%

0.10%

0.15%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Co

vari

ânci

a

COV. S&P500-CCM

-0.15%

-0.10%

-0.05%

0.00%

0.05%

0.10%

0.15%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Co

vari

ânci

a

COV. S&P500-ICF

-0.15%

-0.10%

-0.05%

0.00%

0.05%

0.10%

0.15%

ou

t-0

2

abr-

03

ou

t-0

3

abr-

04

ou

t-0

4

abr-

05

ou

t-0

5

abr-

06

ou

t-0

6

abr-

07

ou

t-0

7

abr-

08

ou

t-0

8

abr-

09

ou

t-0

9

abr-

10

ou

t-1

0

abr-

11

ou

t-1

1

Co

vari

ânci

a

COV. S&P500-SFI

↔

CRISE

↔

CRISE

↔

CRISE ↔

CRISE

↔

CRISE ↔

CRISE

↔

CRISE

53

alterações coincidem com períodos marcados por choques de volatilidade, desencadeados por

crises nos mercados financeiros.

No ano de 2002, o mercado financeiro internacional ainda se recuperava dos efeitos da

crise gerada pela queda de rentabilidade das empresas da Nasdaq46

, no biênio 2000-2001,

conhecida como crise das empresas “pontocom”. Em 2008, presenciava-se o auge da crise

financeira do subprime.

Apesar de os valores da covariância se mostrarem muito próximos a zero, com média

igual a zero no longo prazo, observa-se que essas perturbações, apesar de, em termos

absolutos, não apresentarem grande valor, são significativas em relação à magnitude do

mercado, demonstrando haver aumento da covariância entre o mercado financeiro

internacional e o mercado futuro agropecuário brasileiro, seja positiva ou negativamente, em

cenários marcados por crises financeiras.

Em comparação ao mercado futuro de boi gordo (Figura 5(a)), os valores da

covariância diária entre o mercado futuro de milho e o mercado financeiro internacional

(Figura 5(b)), nos períodos de crise, apresentam maior valor absoluto, continuando, porém,

muito próximas a zero, o que é uma característica da relação entre os mercados de ativos

financeiros e o mercado futuro de commodities.

O aumento da dependência conjunta entre o mercado financeiro e o mercado futuro,

quando se dá positivamente, indica uma tendência dos retornos desses mercados de se mover

na mesma direção, ou seja, demonstra existir um atrelamento entre o comportamento desses

mercados, fator apontado como um dos reflexos da financeirização. Por sua vez, o aumento da

covariância, quando se dá negativamente, indica que os retornos dos mercados tendem a

mover-se na direção oposta, o que em termos de diversificação de portfólio aumenta a eficácia

da gestão de risco.

Nos anos de 2002 e 2007, observa-se que a covariância entre o mercado financeiro

internacional e o mercado futuro de café arábica (Figura 5(c)) registrou aumento dos valores

positivos, indicando certa tendência dos retornos dos contratos futuros em mover-se na

mesma direção dos retornos do índice financeiro S&P500. No segundo semestre de 2008, a

covariância entre esses mercados atingiu seu maior valor absoluto, porém, com valor

46A NASDAQ (National Association of Securities Dealers Automated Quotations) é uma bolsa de

valores eletrônica, constituída por um conjunto de corretores conectados eletronicamente. Esta bolsa lista mais

de 2800 ações de diferentes empresas, em sua maioria de pequena e média capitalização. Compreende empresas

de alta tecnologia em eletrônica, informática, telecomunicações, biotecnologia e ramos afins.

http://pt.wikipedia.org/wiki/Bolsa_de_valores

http://pt.wikipedia.org/wiki/Bolsa_de_valores

http://pt.wikipedia.org/wiki/Corretor

http://pt.wikipedia.org/wiki/Alta_tecnologia

http://pt.wikipedia.org/wiki/Eletr%C3%B4nica

http://pt.wikipedia.org/wiki/Inform%C3%A1tica

http://pt.wikipedia.org/wiki/Telecomunica%C3%A7%C3%B5es

http://pt.wikipedia.org/wiki/Biotecnologia

54

negativo, indicando tendência dos retornos em movimentaram-se na direção oposta. A média

de covariância entre os mercados, no longo prazo, permaneceu igual a zero, indicando, assim

como constatado nos mercados de boi gordo e milho, independência entre as séries de

retornos do mercado futuro nacional e os retornos do mercado financeiro internacional.

Examinando a covariância diária, estimada entre o mercado financeiro internacional e

o mercado futuro de soja (COV.S&P500-SFI), exibida na Figura 5(d), observa-se que as

principais variações no nível de covariância se deram em 2003 (3,2%), 2007 (2,7%), 2008

(3,1%) e 2009 (3,9%), anos em que o mercado futuro de soja apresentou suas maiores médias

de volatilidade. Não obstante, essas variações, assim como as constatadas nos mercados

anteriores, apesar de apresentarem, em termos absolutos, pequeno valor, são significativas em

relação à grandeza dos mercados.

ii. Mercado financeiro nacional – mercado futuro agropecuário

A covariância diária estimada para o mercado financeiro nacional, representado pelos

retornos do índice Ibovespa e o mercado futuro agropecuário brasileiro, representado pelos

retornos dos contratos futuros de boi gordo, milho, café arábica e soja, no período 2002-2011,

é apresentada na Figura 6.

Observa-se na Figura 6(a) que, em comparação às covariâncias diárias estimadas entre

o índice S&P500 e o mercado futuro de boi gordo, os valores da covariância nesta análise

apresentam maiores valores absolutos, principalmente no período pré-crise. Entre os anos de

2002 e 2006, ocorre um aumento do nível de covariância, em paralelo ao incremento da

volatilidade no mercado futuro de boi gordo. O maior valor foi alcançado no ano de 2006, ano

em que o mercado futuro de boi gordo apresentou seu maior choque de volatilidade. Por sua

vez, a diminuição do nível de covariância entre os mercados ocorre simultaneamente à

diminuição da média de volatilidade no mercado financeiro nacional e, principalmente, no

mercado futuro de boi gordo.

A covariância estimada para o mercado financeiro nacional e o mercado futuro de boi

gordo mostra que, ao contrário da análise precedente, as maiores perturbações no nível de

covariância se deram entre os anos de 2003 e 2007 e não nos períodos de crise financeira

internacional. No entanto, assim como constatado na relação mercado financeiro

internacional-mercado futuro de boi gordo, a média de covariância, no longo prazo, é igual a

zero.

55

a) Covariância Ibovespa – boi gordo

b) Covariância Ibovespa – milho

c) Covariância Ibovespa – café arábica d) Covariância Ibovespa - soja

Figura 6 – Covariância diária entre os retornos do índice Ibovespa e os retornos dos

contratos futuros de boi gordo, milho, café arábica e soja, período 2002 – 2011.


A covariância diária estimada entre os retornos do índice Ibovespa e os retornos dos

contratos futuros de milho, ilustrada na Figura 6(b), demonstra, assim como no mercado

futuro de boi gordo, haver uma relação próxima entre o comportamento da covariância e a

média de volatilidade do mercado futuro de milho, uma vez que os maiores valores de

covariância foram registrados nos anos de 2002 e 2008, período no qual a volatilidade diária

do mercado futuro de milho alcançou seus maiores índices.

Nesta análise, o comportamento da covariância (COV.IND-CCM) se mostrou muito

próximo àquele verificado na relação COV.S&P500-CCM. A diferença está no valor absoluto

da covariância diária, que nesta foi maior, principalmente nos períodos de crise. No entanto,

-0.15%

-0.10%

-0.05%

0.00%

0.05%

0.10%

0.15%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Co

vari

ânci

a

COV. IND-BGI

-0.15%

-0.10%

-0.05%

0.00%

0.05%

0.10%

0.15%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Co

vari

ânci

a

COV. IND-CCM

-0.15%

-0.10%

-0.05%

0.00%

0.05%

0.10%

0.15%

jan

-02

jul-

02

jan

-03

jul-

03

jan

-04

jul-

04

jan

-05

jul-

05

jan

-06

jul-

06

jan

-07

jul-

07

jan

-08

jul-

08

jan

-09

jul-

09

jan

-10

jul-

10

jan

-11

jul-

11

Co

vari

ânci

a

COV. IND-ICF

-0.15%

-0.10%

-0.05%

0.00%

0.05%

0.10%

0.15%

ou

t-0

2

abr-

03

ou

t-0

3

abr-

04

ou

t-0

4

abr-

05

ou

t-0

5

abr-

06

ou

t-0

6

abr-

07

ou

t-0

7

abr-

08

ou

t-0

8

abr-

09

ou

t-0

9

abr-

10

ou

t-1

0

abr-

11

ou

t-1

1

Co

vari

ânci

a

COV. IND-SFI

56

salienta-se que, assim como nas análises precedentes, a covariância entre o mercado

financeiro nacional e o mercado futuro de milho apresenta média zero no longo prazo.

Na Figura 6(c) observa-se que a covariância estimada para os retornos do índice

Ibovespa e os retornos dos contratos futuros de café arábica (COV.IND-ICF), assim como a

covariância estimada entre este mercado e o mercado financeiro internacional (COV.SP&500-

ICF), apresentou alteração nos seus valores diários nos anos de 2002 e 2008.

No ano de 2002, enquanto que a covariância S&P500-ICF apresentou valores diários

mais positivos, a covariância IND-ICF registrou valores mais negativos. No ano de 2008,

enquanto que a covariância com o índice S&P500 chegou a -0,05%, a covariância com o

índice Ibovespa alcançou 0,1%. Assim como nos mercados analisados anteriormente, os

maiores valores de covariância foram registrados em períodos marcados por choques de

volatilidade, todavia, no longo prazo, mantém-se média igual a zero.

O comportamento da covariância estimada para os retornos do mercado financeiro

nacional e os retornos do mercado futuro de soja (COV.IND-SFI), exibidos na Figura 6(d), é

muito semelhante à covariância estimada para o mercado financeiro internacional e o mercado

futuro de boi gordo. A principal diferença entre as duas estimativas se dá no ano de 2009, no

qual a covariância entre o mercado futuro de soja e o mercado financeiro nacional chegou a

0,08%, enquanto que, na relação COV.S&P500, a covariância foi negativa (-0,09%).

Em resumo, o exame da dependência conjunta entre os mercados financeiros,

internacional e nacional, representados, respectivamente, pelo índice acionário S&P500 e pelo

índice Ibovespa, e o mercado futuro agropecuário no Brasil, representado pelos contratos de

boi gordo, milho, café arábica e soja indica que a covariância diária entre os retornos desses

mercados é pequena, com média zero no longo prazo.

Ressalta-se que a intensidade da covariância pode ser influenciada pela unidade de

medida adotada, nesse caso, pela grandeza dos retornos das séries financeiras. Nesta pesquisa,

foram utilizados retornos diários, cuja magnitude é inferior aos valores dos retornos semanais

ou mensais, por exemplo. Portanto, caso fossem utilizados dados de menor frequência, obter-

se-iam valores de covariância diferentes, embora não haja modificação na relação entre as

variáveis47

.

Os resultados obtidos nesta pesquisa estão de acordo com os resultados apresentados

por outros autores como Abanomey e Mathur (2001), Gorton e Rouwenhorst (2004), Smimou

47

Para maiores detalhes, consultar Anderson et. al (2003).

57

(2010), entre outros. Feldman e Till (2006), que estimaram a correlação entre o índice

S&P500 e um índice de commodities formado por contratos futuros de soja, milho e trigo,

chegaram ao mesmo resultado, relatando a existência de covariância quase nula entre essas

variáveis e alguns casos, quando não nulas, apenas moderadas48

.

No caso da covariância entre o mercado futuro e o mercado financeiro nacional, ainda

pode ser observada relação entre o aumento dos níveis de covariância e o aumento da

volatilidade. A correlação entre covariância e volatilidade também foi detectada por Sandoval

Jr. e Franca (2011) que, ao examinarem o desempenho dos principais índices financeiros

internacionais, em tempos de crise, encontraram que o aumento da volatilidade estava ligado à

existência de uma forte correlação entre os mercados financeiros estudados.

Um dos pilares que sustentam a teoria da financeirização é a hipótese de aumento da

interdependência dos mercados financeiro e futuro, fomentado principalmente pelas crises

financeiras, em que estaria ocorrendo um aumento do capital especulativo nos mercados

futuros de alimentos, proveniente do mercado financeiro tradicional. Os resultados obtidos

confirmam o aumento da covariância entre o mercado financeiro e o mercado futuro nos

períodos de crise financeira internacional, em 2002 e 2007-2008, embora, no longo prazo, a

média de covariância entre os mercados permaneça igual a zero. Essas alterações no nível de

covariância, observadas no decorrer do período analisado, apesar de apresentarem pequeno

valor absoluto, são significativas em relação à magnitude do mercado.

4.2 Relação causal entre a variância dos retornos dos mercados financeiros e a variância

dos retornos dos mercados futuros

A análise realizada nesta seção utiliza o teste de causalidade proposto por Cheung e

Ng (1996) para verificar se a volatilidade dos retornos dos mercados financeiros, internacional

e nacional, causa a volatilidade dos retornos do mercado futuro agropecuário.

A Tabela 12 traz os resultados do teste de causalidade para o mercado financeiro

internacional, representado pelo índice S&P500, e os mercados futuros de boi gordo, milho,

café arábica e soja.

48 Feldman e Till (2006) construíram um índice de commodities utilizando preços de contratos futuros

negociados nos EUA entre dezembro/1949 e dezembro/2004.

58


dos retornos do índice S&P500 e dos contratos futuros de boi gordo, milho, café arábica e

soja comercializados na BM&FBOVESPA, período 2002-2011

Boi Gordo

Defasagem (k) ruv(k) p-valor

-5 0,0136 0,7517 NS

-4 0,0004 0,5080 NS

-3 -0,0089 0,3300 NS

-2 0,0013 0,5239 NS

-1 0,0037 0,5714 NS

0 -0,0145 0,2358 NS

5 -0,0169 0,2005 NS

4 -0,0167 0,2033 NS

3 0,0080 0,6554 NS

2 0,0799 0,9999 NS

1 -0,0127 0,2643 NS

Milho

-5 -0,0170 0,2005 NS

-4 -0,0020 0,4602 NS

-3 0,0027 0,5517 NS

-2 0,0015 0,5279 NS

-1 -0,0029 0,4443 NS

0 -0,0110 0,2912 NS

5 -0,0010 0,4801 NS

4 -0,0209 0,1492 NS

3 0,0108 0,7054 NS

2 -0,0118 0,2776 NS

1 -0,0090 0,3264 NS

Café arábica


-5 0,0321 0,9452 NS

-4 0,0464 0,9896 NS

-3 0,0455 0,9881 NS

-2 0,0453 0,9878 NS

-1 0,0121 0,7257 NS

0 0,0097 0,6844 NS

5 0,0041 0,5793 NS

4 0,0761 0,9999 NS

3 0,0194 0,8340 NS

2 0,0443 0,9861 NS

1 0,0387 0,9732 NS

Soja


-5 -0,0094 0,3264 NS

-4 -0,0228 0,1401 NS

-3 0,0079 0,6443 NS

-2 -0,0123 0,2810 NS

59

Soja


-1 -0,0021 0,4602 NS

0 -0,0205 0,1660 NS

5 -0,0200 0,1711 NS

4 -0,0224 0,1446 NS

3 -0,0262 0,1075 NS

2 -0,0093 0,3300 NS

1 -0,0149 0,2389 NS


Notas: Ho = não-causalidade da variância. u e v são, respectivamente, os resíduos

padronizados ao quadrado resultantes das equações GARCH univariadas estimadas para os

retornos do mercado financeiro internacional e do mercado futuro agropecuário.

*** denota significância estatística em nível de 1%, ** denota significância estatística em

nível de 5%, * denota significância estatística em nível de 10%.NS = indica estatisticamente

não significante.

Salienta-se que quando as defasagens (k) são negativas, a hipótese é de que a variância

dos retornos do mercado financeiro causa a variância dos retornos do mercado futuro. Para

valores positivos das defasagens (k), a hipótese é de que a variância dos retornos do mercado

futuro causa a variância dos retornos do mercado financeiro.

Verifica-se que as estatísticas para o teste, baseadas na FCC, não se mostram

significativas, levando a concluir que não houve correlação entre os retornos em períodos

diferentes. Desta forma, não se rejeita a hipótese de não-causalidade entre as variâncias dos

retornos do mercado financeiro internacional e do mercado futuro de boi gordo, milho, café

arábica e soja.

A análise seguinte consiste no teste de causalidade entre a variância do mercado

financeiro nacional, representado pelos retornos do índice Ibovespa e a variância do mercado

futuro, representado pelos retornos dos contratos futuros de boi gordo, milho, café arábica e

soja, cujos resultados encontram-se na Tabela 13.

Os resultados do teste, baseados na metodologia proposta por Cheung e Ng (1996),

demonstram haver causalidade entre a variância do mercado financeiro nacional e a variância

do mercado futuro de boi gordo nas defasagens k = -3, -4, indicando que a volatilidade dos

retornos do Ibovespa, em t-3 e t-4, causaram a volatilidade dos retornos do contrato futuro de

boi gordo no período t. Para os demais mercados futuros, no entanto, os resultados do teste

indicam não haver indícios de causalidade na variância, em nenhuma direção.

60


dos retornos do índice Ibovespa e dos contratos futuros de boi gordo, milho, café arábica e

soja comercializados na BM&FBOVESPA, período 2002-2011

Boi Gordo


-5 -0,0182 0,1814 NS

-4 -0,0268 0,090100*

-3 -0,0346 0,04180**

-2 -0,0218 0,1379 NS

-1 -0,0220 0,1357 NS

0 -0,0049 0,4052 NS

5 -0,0043 0,4168 NS

4 -0,0172 0,1949 NS

3 -0,0076 0,3520 NS

2 -0,0036 0,4286 NS

1 -0,0083 0,3408 NS

Milho


-5 -0,0180 0,1841 NS

-4 -0,0147 0,2327 NS

-3 0,0042 0,5832 NS

-2 -0,0119 0,2776 NS

-1 0,0000 0,5000 NS

0 0,0032 0,5636 NS

5 -0,0136 0,2483 NS

4 -0,0009 0,4840 NS

3 0,0022 0,5438 NS

2 -0,0055 0,3936 NS

1 -0,0242 0,1131 NS

Café arábica


-5 0,0475 0,9911 NS

-4 0,0266 0,9082 NS

-3 0,0917 0,9999 NS

-2 0,0456 0,9884 NS

-1 0,0651 0,9994 NS

0 0,0508 0,9943 NS

5 0,0269 0,9099 NS

4 0,0375 0,9693 NS

3 0,0530 0,9959 NS

2 0,1582 0,9999 NS

1 0,1391 0,9999 NS

Soja


-5 0,0008 0,5160 NS

-4 0,0005 0,5480 NS

-3 -0,0125 0,2776 NS

61

Soja


-2 0,0083 0,6517 NS

-1 0,0031 0,5596 NS

0 -0,0146 0,2451 NS

5 -0,0108 0,3050 NS

4 -0,0144 0,2483 NS

3 0,0102 0,6844 NS

2 -0,0067 0,3745 NS

1 0,0099 0,6808 NS


Notas: Ho = não-causalidade da variância. u e v são, respectivamente, os resíduos

padronizados ao quadrado resultantes das equações GARCH univariadas estimadas para os

retornos do mercado financeiro nacional e do mercado futuro agropecuário.


nível de 5%, * denota significância estatística em nível de 10%.NS = Indica estatisticamente

não significante.

A detecção de causalidade na variância partindo do mercado financeiro nacional em

direção ao mercado futuro de boi gordo é um resultado, a princípio, inesperado e difícil de

explicar. Embora empresas como a JBS-FRIBOI e a MARFRIG, líderes no segmento

pecuário, respondam conjuntamente por 1,7% do total de ações que compõem o índice

Ibovespa, este é um percentual muito pequeno, principalmente comparado a outras empresas

participantes do Ibovespa49

, não justificando o resultado encontrado.

Os resultados obtidos nesta seção, com exceção da relação Ibovespa-Mercado futuro

de boi gordo, se assemelham aos resultados alcançados por Galvão et al. (2000), que não

encontraram relação causal entre as variâncias dos retornos diários do índice Ibovespa e a

variância dos retornos diários dos contratos referenciados em índice Ibovespa. Maciel et al.

(2010), que analisaram o impacto da variância dos contratos futuros de Ibovespa na variância

dos índices Ibovespa, FGV-100, IBrX-50, IGC, SMLL, MLCX e Ibovespa Futuro também

não puderem estabelecer relação causal entre a variância dos mesmos.

O caráter instabilizador atribuído aos mercados financeiros, apontado como principal

fator gerador de incerteza aos participantes do mercado futuro agropecuário, já que estaria

causando a volatilidade das cotações futuras, não foi confirmado nesta pesquisa, uma vez que,

com exceção do mercado de boi gordo, se demonstrou não haver relação causal entre a

variância dos retornos dos mercados financeiros, internacional e nacional, e a variância dos

49 Empresas de outros segmentos, como as dos setores de petróleo e mineração respondem, respectivamente, por

14,7% e 14,5% do total de ações que compõem o índice Ibovespa.

62

retornos dos contratos futuros agropecuários. Dessa forma, não é possível afirmar que a

volatilidade do mercado financeiro seja responsável pela volatilidade do mercado futuro

agropecuário no Brasil.

4.3 Relação entre volume e variação dos preços futuros

Nesta seção, para detectar potencial relação linear causal entre o volume de contratos

futuros negociados na BM&FBOVESPA, no período 2002-2011, e os retornos das cotações

desses contratos, utiliza-se análise baseada no modelo de Auto-Regressão Vetorial (VAR).

Na Tabela 14, são apresentadas as características das séries do volume diário

comercializado dos contratos futuros agropecuários50

. Observa-se que, para o período

examinado, o contrato futuro que apresentou o maior número de negociações em um único dia

foi o contrato de boi gordo. No entanto, na média, foi o contrato futuro de café arábica que

apresentou o maior volume diário de comercialização.

Tabela 14 – Características das séries de volume diário dos contratos futuros agropecuários

comercializados no período 2002-2011

Média Máximo Mínimo

Desvio-

padrão

Número de

observações

VOL_BGI 1.464,73 15.364 24 1.654,55 2.484

VOL_CCM 398,73 4.545 - 488,77 2.468

VOL_ICF 1.535,49 7.777 22 915,96 2.480

VOL_SFI 206,63 3.460 - 262,13 2.272


Notas: VOL_BGI = volume diário de comercialização dos contratos futuros de boi gordo,

VOL_CCM = volume diário de comercialização dos contratos futuros de milho, VOL_ICF =

volume diário de comercialização dos contratos futuros de café arábica, VOL_SFI = volume

diário de comercialização dos contratos futuros de soja.

O teste de estacionariedade51

aplicado às séries de retornos dos preços e do volume

negociado dos contratos futuros mostra que as mesmas são estacionárias.

A seleção do modelo VAR, baseada nos critérios de informação de Akaike (AIC),

Schwarz (SC) e Hannan-Quinn (HQ)52

, indicam o modelo com 5 defasagens como sendo o

50 As características das séries de retornos já foram apresentadas na seção 4.1. As demais informações

estatísticas referentes às séries de volume diário comercializado dos contratos futuros agropecuários encontram-

se no Anexo B. 51

Os resultados do teste encontram-se no Apêndice B.

63

mais adequado para esta análise, enquanto que o comportamento das raízes inversas do

polinômio característico confirma a estabilidade do modelo adotado53

.

Os resultados da estimação do modelo VAR (Equações 43 e 44) para o mercado futuro

de boi gordo podem ser visualizados na Tabela 15. Verifica-se que na equação que tem o

volume como variável dependente, os coeficientes dos valores defasados dos retornos dos

preços futuros não se mostram estatisticamente significantes, indicando não haver relação

causal dos retornos dos preços em direção ao volume de contratos comercializados. Da

mesma forma, na segunda equação, cuja variável dependente é o retorno dos preços dos

contratos futuros de boi gordo, os coeficientes dos valores defasados do volume negociado

também não se mostram estatisticamente significantes.


de contratos futuros de boi gordo comercializados no período 2002-2011

Variáveis VOL_BGI ( ) DLOGBGI ( ) C 107.2288 *** 0,000297 NS

DLOGBGI(-1) 462,7217 NS -0,584818 ***

DLOGBGI(-2) 264,8635 NS -0,381526 ***

DLOGBGI(-3) 483,6148 NS -0,243690 ***

DLOGBGI(-4) 339,6379 NS -0,163519 ***

DLOGBGI(-5) 567,1667 NS -0,107560 ***

VOL_BGI(-1) 0,393178 *** 1,07e-08 NS

VOL_BGI(-2) 0,084651 *** -4,46e-07 NS

VOL_BGI(-3) 0,160328 *** -4,03e-07 NS

VOL_BGI(-4) 0,081735 *** 5,57e-07 NS

VOL_BGI(-5) 0,208435 *** 9,98e-08 NS

F-Statistic 579,0172 *** 86,14953 ***


Notas: A hipótese nula do teste F é igual a ∑ ∑ .

*** denota significância estatística em nível de 1%, ** denota significância estatística em nível de 5%,

* denota significância estatística em nível de 10%. NS = Indica estatisticamente não significante.

Pode-se afirmar, com base nos resultados, que no mercado futuro de boi gordo, os

retornos dos preços dos contratos não precedem temporalmente o volume comercializado,

assim como o volume comercializado não precede temporalmente os retornos dos contratos,

não havendo relação de causalidade linear entre as variáveis volume e preço. No entanto,

52 Os resultados dos testes encontram-se no Apêndice E. 53

Os resultados encontram-se no Anexo E.

64

ressalta-se que esta análise não permite avaliar a existência de correlação contemporânea

entre as variáveis.

Os resultados da estimação do modelo VAR para o mercado futuro de milho

encontram-se na Tabela 16. Na primeira equação, o valor defasado dos retornos dos contratos

futuros de milho no período t-3, causa, no sentido de Granger, o volume de comercialização

dos contratos futuros no período t, embora a significância estatística do coeficiente se dê

apenas ao nível de 10%. Embora os coeficientes dos retornos defasados em t-1, t-2, t-4 e t-5 não

se mostrem estatisticamente significantes, o valor calculado da estatística 54 (420,0691)

permite rejeitar a hipótese nula de que, conjuntamente, os termos defasados dos retornos

(∑ ) são estatisticamente iguais a zero.


de contratos futuros de milho comercializados no período 2002-2011

Variáveis VOL_CCM ( ) DLOGCCM ( ) C 38,84552 *** 0,000700 NS

DLOGCCM(-1) -132,7292 NS -0,547306 ***

DLOGCCM(-2) 114,9215 NS -0,352506 ***

DLOGCCM(-3) 274,1547 * -0,205404 ***

DLOGCCM(-4) 171,4652 NS -0,143887 ***

DLOGCCM(-5) 154,8251 NS -0,122339 ***

VOL_CCM(-1) 0,318970 *** -5,26e-07 NS

VOL_CCM(-2) 0,168875 *** -1,94e-06 NS

VOL_CCM(-3) 0,164794 *** -1,91e-06 NS

VOL_CCM(-4) 0,120568 *** 2,79e-06 NS

VOL_CCM(-5) 0,131426 *** -2,08e-07 NS

F-Statistic 420,0691 *** 77,06290 ***




nível de 5%, * denota significância estatística em nível de 10%. NS = Indica estatisticamente

não significante.

Na segunda equação, cuja variável dependente é o retorno dos preços futuros dos

contratos de milho, a não significância estatística dos valores defasados do volume indica que

este não precede temporalmente os retornos dos contratos de milho, não havendo causalidade

partindo do volume comercializado em direção aos retornos dos contratos futuros de milho.

54

Para informações mais detalhadas consultar Gujarati (2006, p. 561).

65

A análise envolvendo o mercado futuro de café arábica (Tabela 17), mostra que os

valores defasados dos retornos dos contratos futuros, nos períodos t-1, t-2, t-3 e t-4, causam, no

sentido de Granger, o volume de comercialização de contratos futuros no período t (ao nível

de 1%).

A significância estatística dos valores defasados dos retornos dos contratos futuros de

café arábica mostram que estes precedem temporalmente o volume de contratos negociados.

Ainda que, na quinta defasagem, o coeficiente dos retornos não se mostre individualmente

significante, o valor calculado da estatística (82,77550) permite rejeitar a hipótese nula de

que, conjuntamente, os termos defasados dos retornos (∑ ) são estatisticamente iguais a

zero.


de contratos futuros de café arábica comercializados no período 2002-2011

Variáveis VOL_ICF DLOGICF

C 494,1968 *** 0,000935 NS

DLOGICF(-1) 3525,149 *** -0,076542 ***

DLOGICF(-2) 2615,177 *** -0,079757 ***

DLOGICF(-3) 2088,340 *** 0,008697 NS

DLOGICF(-4) 1937,996 *** 0,048133 **

DLOGICF(-5) 495,6885 NS -0.019159 NS

VOL_ICF(-1) 0,260983 *** -8,98e-08 NS

VOL_ICF(-2) 0,143329 *** -8,79e-07 NS

VOL_ICF(-3) 0,039644 * 3,69e-07 NS

VOL_ICF(-4) 0,075332 *** 2,42e-07 NS

VOL_ICF(-5) 0,159233 ** -2,60e-07 NS

F-Statistic 82,77550 *** 4,09941 ***




nível de 5%, * denota significância estatística em nível de 10%.NS = Indica estatisticamente não

significante.

Na segunda equação (Tabela 17), cuja variável dependente é o retorno dos contratos

futuros de café arábica, os coeficientes referentes aos valores defasados do volume de

contratos negociados, assim como nos mercados de boi gordo e milho, não sem mostram

estatisticamente significantes, indicando não haver relação causal partindo da variável volume

em direção à variável retorno.

66

Na Tabela 18 estão dispostos os resultados da análise para o mercado futuro de soja.

Observa-se que, assim como no mercado de boi gordo, os coeficientes dos valores defasados

dos retornos não se mostram estatisticamente significantes, indicando não haver relação

causal partindo dos retornos dos preços em direção ao volume de contratos comercializados.

Na segunda equação, a não significância dos valores defasados do volume indica que o

volume de contratos futuros comercializados não precede temporalmente os retornos dos

contratos de soja, não sendo possível estabelecer relação linear causal entre essas variáveis.


de contratos futuros de soja comercializados no período 2002-2011

Variáveis VOL_SFI ( ) DLOGSFI ( ) C 52,14590 *** -0,000706 NS

DLOGSFI(-1) 38,21402 NS -0,410716 ***

DLOGSFI (-2) 119,1224 NS -0,254688 ***

DLOGSFI (-3) 14,21312 NS -0,064976 ***

DLOGSFI (-4) -171,8030 NS -0,165180 ***

DLOGSFI (-5) -150,2069 NS -0,071310 ***

VOL_SFI (-1) 0,290748 *** 1,38e-06 NS

VOL_SFI (-2) 0,120270 *** -2,88e-06 NS

VOL_SFI (-3) 0,103599 *** 1,01e-06 NS

VOL_SFI (-4) 0,099956 *** 1,29e-06 NS

VOL_SFI (-5) 0,156089 *** 2,68e-06 NS

F-Statistic 105,0879 *** 43,12007 ***




nível de 5%, * denota significância estatística em nível de 10%. NS = Indica estatisticamente

não significante.

Os resultados provenientes da análise dos mercados futuros de boi gordo, milho, café

arábica e soja indicam que em nenhum dos mercados há relação linear causal partindo da

variação do volume de contratos futuros negociados em direção aos retornos dos preços.

Considerando a análise da relação causal partindo dos retornos dos contratos futuros

em direção ao volume comercializado, os resultados foram divergentes. Nos mercados futuros

de boi gordo e soja não foi detectada relação causal, enquanto que, nos mercados futuros de

milho e café arábica ficou comprovado que os retornos dos preços futuros precedem

temporalmente o volume negociado. Deve-se considerar que esta análise não permite avaliar a

existência de correlação contemporânea entre as variáveis.

67

As constatações obtidas nesta análise estão de acordo com as apresentadas por outros

trabalhos existentes na literatura, como os realizados por James e Edmister (1983), Wood et.

al. (1985) e Ajayi et al. (2009)55

. Ajayi et. al. (2009), por exemplo, estudaram a relação causal

linear entre volume e preços em 10 bolsas de valores localizadas na Europa56

, constatando

inexistência de relação causal entre volume e preço em quatro mercados (Holanda, Noruega,

Portugal e Suíça), relação causal unidirecional em outros quatro mercados (Bélgica, Noruega,

Espanha e Turquia) e relação causal bidirecional nas bolsas da Dinamarca e Grécia.

Com base nesta pesquisa, cujos resultados encontram-se resumidos na Tabela 19, não

se pode confirmar a hipótese de que o aumento do volume de negociações com contratos

futuros agropecuários no Brasil tem contribuído para o aumento da volatilidade dos preços

futuros das commodities. Da mesma forma, os resultados não permitem concluir que o

aumento do volume de comercialização de contratos futuros no Brasil, fomentado pela

financeirização, esteja causando o aumento dos preços das commodities boi gordo, milho, café

arábica e soja.

Contudo, deve-se considerar que os resultados obtidos nesta pesquisa podem ser

reflexos das características próprias atinentes ao mercado futuro agropecuário brasileiro,

como o desenvolvimento ainda incipiente e o baixo volume de negociações, se comparado aos

mercados internacionais, o que faz desse um mercado ainda pouco atraente aos investidores,

principalmente aos estrangeiros.

No Brasil, o mercado futuro agropecuário é caracterizado pela concentração da

comercialização de contratos por pessoas jurídicas não financeiras, representadas

principalmente por empresas comerciais atuantes na comercialização das commodities no

mercado físico. Embora não seja possível separar o que é hedge do que é especulação, uma

vez que os hedgers também podem especular, pode-se dizer que o nível de atividade

especulativa no mercado futuro agropecuário brasileiro é muito menor do que o observado em

outras bolsas internacionais.

55 Estes trabalhos tiveram como objeto de análise o mercado de ações. 56 Os dados referentes aos preços e volume de transação das bolsas de valores analisadas por Ajayi et. al. são

diários e referem-se ao período compreendido entre 04 de janeiro de 1982 e 12 de fevereiro de 1996.

68

Tabela 19 – Resumo dos resultados da pesquisa

ANÁLISES

RESULTADOS

Boi gordo

(BGI) Milho (CCM)

Café arábica

(ICF) Soja (SFI)

Transmissão

de volatilidade

(MFI)

Não há

transmissão SP&500 CCM SP&500 ICF SP&500 SFI

Transmissão

de volatilidade

(MFN)

IND BGI IND CCM Não há

transmissão

Não há

transmissão

Covariância

MFI-MF

No longo

prazo, média

igual a zero.

Aumenta nos

períodos de

crise.

No longo prazo,

média igual a

zero. Aumenta

nos períodos de

crise.

No longo prazo,

média igual a

zero. Aumenta

nos períodos de

crise.

No longo prazo,

média igual a zero.

Aumenta nos

períodos de crise.

Covariância

MFN-MF

No longo

prazo, média

igual a zero.

Aumenta em

períodos de

alta

volatilidade.

No longo prazo,

média igual a

zero. Aumenta

em períodos de

alta

volatilidade.

No longo prazo,

média igual a

zero. Aumenta em

períodos de alta

volatilidade.

No longo prazo,

média igual a zero.

Aumenta em

períodos de alta

volatilidade.

Causalidade na

variância

(MFI)

Não há

causalidade

Não há

causalidade

Não há

causalidade Não há causalidade

Causalidade na

variância

(MFN)

Ibovespa BGI Não há

causalidade

Não há

causalidade Não há causalidade

Relação linear

entre volume

comercializado

e retornos dos

contratos

futuros

Não há relação RETCCM

VOL_CCM

RETICF

VOL_ICF Não há relação


Notas: MFI = Mercado financeiro internacional; MFN = Mercado financeiro nacional; MF =

Mercado futuro; RETCCM = retornos contrato futuro de milho; RETICF = retornos contrato

futuro de café arábica; RETSFI = retornos contrato futuro de soja; VOL_CCM = volume

comercializado de contratos futuros de milho; VOL_ICF = volume comercializado de

contratos futuros de café arábica; VOL_SFI = volume comercializado de contratos futuros de

soja.

Working (1953) explica essa relação ao afirmar que há uma indubitável conexão entre

o tamanho do mercado futuro e o volume de hedge praticado neste mercado. Dessa forma,

69

uma vez que a atividade especulativa depende do volume de hedge, pode-se dizer que o nível

de especulação de um mercado também está vinculado ao tamanho deste.

O fato de os investidores apresentarem amiúde maior interesse pelos índices de

commodities do que pelos contratos futuros individuais é outra questão a ser considerada, já

que este estudo baseou-se apenas na análise de contratos futuros individuais, desconsiderando

os contratos de opções, os mini contratos e o índice de Commodities Brasil (ICB)57

.

Os índices são formados, geralmente, pela ponderação de preços das mais variadas

commodities (soft e hard), o que facilita ao especulador se beneficiar do movimento dos

preços do mercado. Na composição desses índices, geralmente, os combustíveis tem a maior

proporção de participação. O índice de commodities da Standard and Poor’s-Goldman Sachs

(S&P-GSCI), por exemplo, utiliza como referência preços de 24 mercados diferentes, com

participação de 70,5% de commodities do setor energético, 19,4% de commodities do setor

agropecuário e 10,1% do setor de metais58

.

Diante dessas constatações, existe grande possibilidade de que os resultados fossem

diferentes caso a pesquisa priorizasse a análise de mercados futuros mais desenvolvidos, com

maior volume de comercialização, liquidez e, consequentemente, maior participação de

investidores. Da mesma forma, a avaliação de outras commodities, que não apenas as

agropecuárias, pode redundar na obtenção de evidências mais significativas do processo de

transmissão de volatilidade entre o mercado financeiro e os mercados futuros.

Apesar do considerável crescimento da comercialização de contratos futuros,

verificado na década de 2000, o mercado brasileiro ainda apresenta certa defasagem temporal

de desenvolvimento em relação aos mercados internacionais, com grande capacidade para

expansão futura, o que pode explicar por que os efeitos da financeirização ainda não são

sentidos com tanta intensidade no país e por que, ao contrário do esperado, não esteja sendo

verificado aumento da volatilidade nos mercados futuros, ao passo que a participação dos

investidores estrangeiros e nacionais tem aumentado lentamente, principalmente a partir da

crise financeira do subprime.

57

Seguindo a tendência mundial, a BM&FBOVESPA lançou, em 2004, o ICB (Índice de Commodities Brasil),

justificando sua criação no interesse dos fundos de investimento por novos papéis para diversificação de suas

carteiras e na facilitação da entrada de fundos de commodities internacionais no Brasil. As commodities que

constituem o Índice ICB são: café arábica, boi gordo, soja, milho, açúcar cristal, etanol anidro, mini boi gordo,

mini café arábica, ouro e etanol hidratado, sendo elegíveis o café arábica, etanol hidratado, boi gordo, milho e

soja. Para informações mais detalhadas, acessar <www.bmfbovespa.com.br>, seção Mercadorias e Futuros -

Boletim. 58

Dados referentes a 30 de dezembro de 2011. Disponível em: <http://migre.me/c2X3U >

70

5 RESUMO E CONCLUSÕES

A escalada dos preços das commodities, observada a partir do ano de 2002, tem

incitado vários pesquisadores a determinar seus fatores causais, já que a tendência ameaça

principalmente a segurança alimentar mundial. Entre os inúmeros determinantes do

movimento altista dos preços, a migração de capital especulativo dos mercados financeiros

tradicionais para os mercados futuros é apontada como um deles, processo que estaria

provocando a financeirização do mercado futuro de commodities.

Nesse contexto, a proposta do trabalho consistiu na análise da influência do mercado

financeiro sobre a volatilidade do mercado futuro agropecuário no Brasil, assim como o

exame da relação existente entre volume de comercialização e as cotações dos contratos

futuros agropecuários, no período 2002-2011. Para tanto, foram verificados o processo de

transmissão de volatilidade e a dependência conjunta entre os mercados financeiros,

internacional e nacional, e os mercados futuros de boi gordo, milho, café arábica e soja.

Ademais, foi realizado teste de causalidade entre a variância dos retornos dos

mercados financeiros e a variância dos retornos dos contratos futuros agropecuários, além de

ter sido examinada a existência de relação linear causal entre o volume comercializado e os

retornos dos preços dos contratos futuros.

A análise de transmissão de volatilidade entre o mercado financeiro internacional,

representado pelo índice acionário S&P500, e o mercado futuro agropecuário permite afirmar

que, com exceção do contrato futuro de boi gordo, a variância dos retornos do primeiro

mercado, no período t-1, influencia a variância dos retornos do segundo mercado, no período t,

ocorrendo transmissão de volatilidade do mercado financeiro internacional para o mercado

futuro agropecuário brasileiro. No entanto, convêm destacar que a significância estatística dos

termos GARCH é comprovada apenas ao nível de 10%.

Com relação ao mercado financeiro nacional, representado pelo índice Ibovespa, os

resultados apontam para transmissão de volatilidade deste mercado apenas para o mercado

futuro de milho, enquanto que, no mercado futuro de boi gordo, a transmissão se dá na

direção oposta, do mercado futuro para o mercado financeiro nacional. Na análise envolvendo

o mercado futuro de boi gordo, a significância estatística do coeficiente GARCH se dá apenas

ao nível de 10%, enquanto que na análise envolvendo o mercado futuro de milho, a

significância do coeficiente GARCH se dá ao nível de 5%. Não há indícios de transmissão de

71

volatilidade entre o mercado financeiro nacional e os mercados futuros de café arábica e soja,

em nenhuma direção.

Ao contrário do esperado, apesar do incremento do volume de negociações no

segmento agropecuário, o que seria, segundo a teoria da financeirização, reflexo do aumento

da atividade especulativa, não foi constatado aumento dos níveis de volatilidade nos mercados

futuros analisados. Ainda que, no ano de 2002 e no período entre crise (2007-2008), tenham

sido observados alguns choques de volatilidade, no geral, as médias diárias não ficaram muito

distantes das médias verificadas nos demais anos, afastando a ideia de que, no Brasil, o

crescimento da negociação de contratos futuros de commodities, fomentada pelas crises

financeiras internacionais, esteja contribuindo para o aumento da volatilidade nos mercados

futuros de alimentos.

O exame da dependência conjunta entre os mercados financeiros, internacional e

nacional, representados, respectivamente, pelo índice acionário S&P500 e pelo índice

Ibovespa, e o mercado futuro agropecuário no Brasil, representado pelos contratos de boi

gordo, milho, café arábica e soja indica que a covariância diária entre os retornos desses

mercados é pequena, com média zero no longo prazo. Porém, constatou-se aumento da

covariância entre o mercado financeiro e o mercado futuro nos períodos de crise financeira

internacional, nos anos de 2002 e 2007-2008, alterações essas que, apesar de apresentarem

pequeno valor absoluto, são significativas em relação à magnitude do mercado.

O teste de causalidade entre a variância dos retornos dos mercados financeiros,

internacional e nacional, e a variância dos retornos dos mercados futuros indicou que, com

exceção da relação Ibovespa-mercado futuro de boi gordo, não há evidências de causalidade

entre os retornos desses mercados, em nenhuma direção, ou seja, durante o período analisado,

a volatilidade dos mercados financeiros não causou a volatilidade dos mercados futuros, assim

como a volatilidade dos mercados futuros não causou a volatilidade dos mercados financeiros.

A análise dos mercados futuros também indicou que não há relação linear causal

partindo da variação de volume de contratos futuros negociados em direção aos retornos dos

preços. Considerando a análise da relação causal partindo dos retornos dos contratos futuros

em direção ao volume comercializado, os resultados foram divergentes. Nos mercados futuros

de boi gordo e soja não foi detectada relação causal, enquanto que, nos mercados futuros de

milho e café arábica ficou comprovado que os retornos dos preços futuros precedem

temporalmente o volume negociado. Deve-se considerar que esta análise não permite avaliar a

existência de correlação contemporânea entre as variáveis.

72

Os resultados obtidos neste estudo não permitem confirmar a hipótese de que o

aumento do volume de comercialização de contratos futuros, provocado pela financeirização,

esteja contribuindo para o aumento da volatilidade e dos preços das commodities

agropecuárias no Brasil.

Contudo, deve-se considerar que esses resultados podem ser reflexos das

características próprias atinentes ao mercado futuro agropecuário brasileiro, como o

desenvolvimento ainda incipiente e o baixo volume de negociações, se comparado aos

mercados internacionais, o que faz desse um mercado ainda pouco atraente aos investidores,

principalmente aos estrangeiros.

Apesar do considerável crescimento da comercialização de contratos futuros,

verificado na década de 2000, o mercado brasileiro ainda apresenta certa defasagem temporal

de desenvolvimento em relação aos mercados internacionais, com grande capacidade para

expansão futura, o que pode explicar por que os efeitos da financeirização ainda não são

sentidos com tanta intensidade no país e por que, ao contrário do esperado, não esteja sendo

verificado aumento da volatilidade nos mercados futuros, ao passo que a participação dos

investidores estrangeiros e nacionais tem aumentando lentamente, principalmente a partir da

crise financeira do subprime.

Esta pesquisa não objetivou discutir o processo de financeirização no seu aspecto

macroeconômico, apenas se ateve à verificação das consequências desse fenômeno sobre

variáveis microeconômicas, como a volatilidade dos preços nos mercados futuros. A mesma

também não pretende ser concludente ou exclusiva a respeito do tema abordado, uma vez que

há ciência das limitações inerentes à pesquisa. Salienta-se a dificuldade em se obter variável

indicativa do volume de capital estrangeiro entrante no mercado de derivativos agropecuários

brasileiro, além da ausência de dados de comercialização futura das commodities

agropecuárias para alguns períodos.

Fica como sugestão para próximas pesquisas uma análise mais profunda do processo

de financeirização, englobando a relação com o mercado à vista, com ênfase no impacto sobre

os preços e a volatilidade do mercado spot.

73

REFERÊNCIAS

ABANOMEY, Walid. S.; MATHUR, Ike. International portfolios with commodity futures

and currency forward contracts. The Journal of Investing, New York, v.10, n. 3, p. 61-68,

fall/2001.

ABIOVE – Associação Brasileira das Indústrias de Óleos Vegetais. Disponível em:

<http://www.abiove.com.br/> Acesso em: 25/6/2011.

ADVFN BRASIL. Disponível em: <http://br.advfn.com/commodities/cafe_arabica.html>.

Acesso em 11/09/2012.

AJAYI, Richard A., MEHDIAN, Seyed; MOUGOUE, Mbodja. The Empirical Relation

between Price Changes and Trading Volumes: Further Evidence from European Stock

Markets. Alliance Journal of Business Research, 2009. Disponível em:

<http://migre.me/b7Btr>. Acesso em 02/07/2011.

ALEXANDER, Carol. Modelos de Mercados: Um Guia para a Análise de Informações

Financeiras. São Paulo: Bolsa de Mercadorias & Futuros, 2005. 522 p.

ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A. Essentials of statistics for

business and economics. 3ª ed. Thomson South-Western, 2003. 654 p.

AVEWORLD – O MEGA PORTAL DA AVICULTURA BRASILEIRA. Disponível em:

<http://migre.me/b7Bp6>. Acesso em 11/09/2012.

BAFFES, J., HANIOTIS, T. Placing the 2006/2008 Commodity Price Boom into Perspective.

Policy Research Working - Paper 5371. Washington, DC, p. 1-40, Jul.2010.

BERGSTROM, G.L. A New Route to Higher Returns and Lower Risk. The Journal of

Portfolio Management, New York, n. 2, p. 30-38, 1975.

BM&FBOVESPA - MERCADORIAS E FUTUROS – BOLETIM – Resumo Estatístico do

Pregão. Disponível em: < http://migre.me/ba3Ah>. Acesso em 30/10/2011.

BM&FBOVESPA -MERCADORIAS E FUTUROS. Recuperação de Informações.

Disponível em: <http://www2.bmf.com.br/>. Acesso em 30/10/2011.

http://br.advfn.com/commodities/cafe_arabica.html

http://www2.bmf.com.br/Mais/(S(pp33bmagxwtiu1554yjmvm55))/Pages/LoggedHome.aspx

74

BOX, G.E.; PIERCE, D.A. Distribution of Residual Autocorrelations in Autoregressive

Integrated Moving Average Time Series Models. Journal of the American Statistical

Association, v. 65, p. 1509-1526, 1970.

BRUNNERMEIER, Markus K. Bubbles. The New Palgrave Dictionary of Economics,

Second Edition, p. 578-82, New York, NY, Palgrave Macmillan, 2008.

CARNEIRO, Ricardo. A globalização financeira: origem, dinâmica e perspectivas. Texto para

discussão. IE/UNICAMP, n.90, out.1999.

CARVALHO, Fernando J. Cardim et al. Economia Monetária e Financeira: Teoria e

Política. Rio de Janeiro: Elsevier, 2007. 385 p.

COMISSÃO ECONÔMICA PARA AMÉRICA E CARIBE – CEPAL. Boletín

CEPAL/FAO/IICA. Perspectivas de la agricultura y del desarrollo rural em las Américas:

uma mirada hacia América Latina y el Caribe. n. 1/2011. Disponível em:

<http://migre.me/bT7tD>. Acesso em 15 de out. 2011.

CHEUNG, Y.W.; NG, L.K. A causality in variance test and its application to financial market

prices. Journal of Econometrics, n. 72, p. 33-48, 1996.

CLARK, P. K. A subordinate stochastic process model with finite variance for speculative

prices. Econometrica: Journal of the Econometric Society, v. 41, issue 1, p. 135-155, 1973.

COPELAND, Thomas E. A model of Asset Trading Under the Assumption of Sequential

Information Arrival. The Journal of Finance, v. 31, n.4, set.1976.

COSTA, Paulo Henrique Soto; BAIDYA, Tara Keshar Nanda. Propriedades Estatísticas das

Séries de Retornos das Principais Ações Brasileiras. Departamento de Engenharia

Industrial PUC, Rio de Janeiro, vol. 21, n. 1, p. 61-87, junho de 2001.

CUNHA, Denis A. Efeitos das Mudanças Climáticas Globais na Agricultura Brasileira:

Análise da Irrigação como Estratégia Adaptativa. 128 p. Tese (Doutorado em Economia

Aplicada), Universidade Federal de Viçosa, 2011.

DA SILVA, José Graziano; TAVARES, Lucas. Segurança alimentar e a alta dos preços dos

alimentos: oportunidades e desafios. Segurança Alimentar e Nutricional, Campinas, v. 15,

n. 1, p. 62-75, 2008.

75

DE LONG, J. Bradford et al. Noise Trader Risk in Financial Markets. Journal of Political

Economy, 98(4), p. 703-38, 1990.

DE SCHUTTER, Olivier. Food Commodities Speculation and Food Price Crises: Regulation

to reduce the risks of price volatility. United Nations Special Rapporteur on the Right to

Food. Briefing note 02, Sept.2010.

DOMANSKI, Dietrich., HEATH, Alexandra. Financial Investors and Commodity Markets.

Journal BIS Quartely Review, p. 53-67, Mar.2007.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA. Disponível em:

<http://migre.me/b7Bk1>. Acesso em: 11/09/2012.

ENDERS, W. Applied Econometric Time Series. New York: John Wiley & Sons Inc.,

2010.517 p.

ENGLE, Robert F. Autoregressive Conditional Heteroscedasticity with Estimates of the

Variance of United Kingdom Inflation. Econometrica, v. 50, issue 4, p. 987-1007, 1982.

ERB, Claude B., HARVEY, Campbell R. The Tactical and Estrategic Value of Commodity

Futures. Financial Analysts Journal, v. 62, n. 2, p. 69-97, Apr.2006.

EXAME.COM. Disponível em: <http://migre.me/b8pL5>. Acesso em 06/10/2012.

FELDMAN, Barry; TILL, Hilary. Backwardation and Commodity Futures Performance:

Evidence from Evolving Agricultural Markets. The Journal of Alternative Investiment, p.

1-16, winter/2006.

FREITAS JR, Gerson. A financeirização das commodities e a lógica do mercado. João

Carlos Online. Disponível em: <http://migre.me/b7BhS>. Acesso em: 12/11/ 2011.

FREITAS, Maria Cristina P. de. Inflação Mundial e Preços de Commodities. In: FUNDAP,

Secretaria de Gestão Pública de São Paulo. Panorama das Economias Internacional e

Brasileira: dinâmica e impactos da crise global. São Paulo, 2009, p. 113-124.

GALVÃO, Ana Beatriz C.; PORTUGAL, Marcelo S.; RIBEIRO, Eduardo P. Volatilidade e

Causalidade: Evidências para o Mercado à Vista e Futuro de Índice de Ações no Brasil.

Revista Brasileira de Economia, Rio de Janeiro, v. 54, n.1, p. 37-56, Jan/Mar, 2000.

http://joaocarlos.net.br/2011/11/a-financeirizacao-das-commodities-e-a-logica-do-mercado/

76

GARBADE, K.D.; SILBER, W.L. Price Movements and Price Discovery in Futures and Cash

Markets. The Review of Economics and Statistics, v. 65, p. 289-297, 1983.

GORTON, Gary; ROWENHORST, K.G. Facts and fantasies about commodity futures.

Financial Analysts Journal, v. 62, p. 47-68, 2006.

GOUVÊA, J.R.F. Mudanças climáticas e a expectiva de seus impactos na cultura de

cana-de-açúcar na região de Piracicaba, SP. 98 p. Dissertação (Mestrado em Agronomia),

Escola Superior de Agricultura Luiz de Queiróz, 2008.

GRANGER, C. W. J. Investigating causal relations by econometric models and cross-spectral

models. Econometrica, 37, 424–438, 1969.

GUJARATI, Damodar N. Econometria Básica. Rio de Janeiro: Elsevier, 2006, 2ª ed. 812 p.

HARRIS, L. A theoretical and empirical analysis of the distribution of speculative prices

and of the relation between absolute price change and volume. Chicago, 1982. (Ph.D.

Dissertation) - University of Chicago, 1982.

HARTZMARK, Michael L. Returns to Individual Traders of Futures: Aggregate Results.

Journal of Political Economy, v. 95, n. 6, p. 1292-1306, dec.1987.

HIERONYMUS, T.A. Economics of Futures Trading for Commercial and Personal

Profit. New York, NY: Commodity Research Bureau, 1977, 2ª ed.

IRWIN, Scott H. et al. Devil or Angel? The Role of Speculation in the Recent Commodity

Price Boom (and Bust). Journal of Agricultural and Applied Economics, v 41, n.2, p. 377-

391, Aug.2009.

IRWIN, Scott H.; SANDERS, Dwight. Index Funds, Financialization, and Commodity

Futures Markets. Applied Economic Perspectives and Policy, v. 33, n.1, p. 1-31, 2011.

JAMES, C.; EDMISTER, R.O. The Relation between Common Stock Returns Trading

Activity and Market Value. Journal of Finance, v. 38, p. 1075-1086, Set.1983.

JEGADEESH, Narasimhan; SUBRAHMANYAM, Avanidhar. Liquidity Effects of the

Introduction of the S&P500 Index Futures Contract on the Underlying Stocks. The Journal

of Business, Chicago, v. 66, n. 2, p. 171-187, Apr.1993.

JBS-FRIBOI. Disponível em: <http://www.jbs.com.br/>. Acesso em 09/09/2012.

http://www.jbs.com.br/

77

KINDLEBERGER, Charles P. Manias, Panics, and Crashes: A History of Financial Crises.

New York, NY: John Wiley and Sons, 1996, 3ª ed.

LAPAVITSAS, Costas. Financialisation and Capitalist Accumulation: Structural Accounts of

the Crisis of 2007-9. School of Oriental and African Studies, University of London.

Research on Money and Finance, Feb.2010.

LINTNER, J. The valuation of risks assets: the selection of risk investments in stock

portfolios and capital budgets. Review of Economics and Statistics, v. 47, n. 1, p. 13-37,

Feb.1965.

LOPES, Daniel Costa. Análise Quantitativa da Volatilidade entre os Índices Dow-Jones,

IBOVESPA e S&P500. Porto Alegre, 2006. 135 p. Dissertação (Mestrado em Economia) –

Programa de Pós-Graduação em Economia, Universidade Federal do Rio Grande do Sul,

2006.

LÜTKEPOHL, H. Introduction to Multiple Time Series Analysis. Springer Verlag: New

York, 1991.

MACIEL, Leandro dos Santos et al. Impacto dos Contratos Futuros de Ibovespa na

Volatilidade dos Índices de Ações no Brasil: Uma análise na Crise do Subprime, 2010.

Disponível em: <http://migre.me/b7BfQ>. Acesso em 02/09/2011.

MARKOWITZ, Harry. Portfolio Selection. The Journal of Finance, v. 7, n. 1, p. 77-91,

1952.

MASTER, Michael W. Testimony before the Committee on Homeland Security and

Government Affairs, U.S. Senate. May 20, 2008. Disponível em: <http://migre.me/b7BdS>

Acesso em: 24/09/2012.

MAYER, Jörg. The Growing Interdependence Between Financial and Commodity Markets.

UNCTAD/OSG/DP - Discussion Papers, n. 195, Oct. 2009.

MENDONÇA, Maria Luisa; ROSSET, Peter. A Crise Mundial do Preço dos Alimentos e a

Soberania Alimentar. Tensões Mundiais – Revista do Observatório das Nacionalidades,

Fortaleza, v. 5, n.8, jan/jun.2009.

MÜLLER, Carlos A. da Silva; MOURA, Altair Dias de; DE LIMA, João Eustáquio. Análise

Comparativa entre Estratégias de Hedge com Base em Modelos Estáticos e Dinâmicos para

Contratos Futuros de Café Arábica. In: Congresso da Sociedade Brasileira de Economia,

78

Administração e Sociologia Rural, 46, 2008, Rio Branco, AC. Apresentação Oral –

Comercialização, Mercados e Preços.

OGG, Clayton W. Commodity Price Levels in Poor Countries: Recent Causes and Remedies.

Policy Issues – Insights on food, farm, and resource issues. Agricultural & Applied

Economics Association, PI9, p. 1-4, Jul.2010.

PALLEY, Thomas I. Financialization: What It Is and Why It Matters. The Levy Economics

Institute and Economic for Democratic and Open Society. Washington DC, Working

Paper n. 525, Dec.2007.

PETZEL, Todd E. Testimony before the Commodity Futures Trading Comission, 2009.

Disponível em: <http://migre.me/b7Bax>. Acesso em 24/09/2012.

PRAETZ, P.D. The distribution of share price changes. Journal of Business, 45, p. 49-55,

1972.

PRATES, Daniela Magalhães. A alta recente dos preços das commodities. Revista de

Economia Política, v. 27, n.3, p. 323-344, Jul-Set.2007.

ROMANO, Jorge. Fome dá lucro. Le monde Diplomatique Brasil, ano 1, n.12, Jul.2008.

SANDOVAL JR., Leonidas; FRANCA, Italo De Paula. Correlation of financial markets in

time of crisis. Insper, Instituto de Ensino e Pesquisa, Mar.2011.

SHARP, William F. Capital assets prices: a theory of market equilibrium under conditions of

risk. The Journal of Finance, v. 19, n. 3, p. 425-442, Sep.1964.

SILVA, Tomás Taulois; CORREA, Vivian Helena Capacle. A crise mundial dos alimentos e

a vulnerabilidade dos países periféricos. Instituto de Economia da UNICAMP, Campinas-

SP, 2009.

SMIMOU, Kamal. Stock Market and Agricultural Futures Diversification: An International

Perspective. The Journal of Alternative Investments, v. 12, n.4, p. 36-57, spring/2010.

STANDARD AND POORS. Disponível em: <http://migre.me/c2XlK> Acesso em

15/10/2011.

TANG, Ke; XIONG, Wei. Index Investing and the Financialization of Commodities. Working

Paper, Department of Economics, Princeton University, 2010.

79

TSAY, Ruey S. Analysis of Financial Time Series. Chicago, IL: Wiley, 2010, 3ª ed. 687 p.

UNITED NATIONS CONFERENCE ON TRADE AND DEVELOPMENT – UNCTAD.

Trade and Development Report, 2009. Disponível em: <http://www.unctad.org>. Acesso

em 12/09/2011.

WOOD, R.A et al. An investigation of Transactions Data for NYSE Stocks. Journal of

Finance, v. 60, p. 723-739, Jul.1985.

WORKING, Holbrook. Futures Trading and Hedging. The American Economic Review, v.

43, n.3, p.312-343, Jun.1953.

WRAY, L. Randall. Money manager capitalism and the global financial crisis. University of

Missouri at Kansas City and Levy Economics Institute, USA. OIKOS, Rio de Janeiro, v.

8, n. 1, p. 13-39, 2009.

YAHOO FINANÇAS. Disponível em: <http://br.finance.yahoo.com/>. Acesso em:

28/11/2011.

YOU, Leyuan; DAIGLER, Robert T. Enhancing Diversification by Adding Commodity

Futures. p. 1-25, jan.2007. Disponível em: <http://migre.me/b7B81>. Acesso em 03/04/2011.

80

APÊNDICE

APÊNDICE A – Resumo da evolução da participação dos investidores no mercado futuro

agropecuário no Brasil, período 2002-201159

.

Tabela A1 – Mercado futuro de boi gordo

Contratos futuros de boi gordo (BGI) comprados

Período PF PJNF IN NR PJF Demais

2002 61,3% 35,0% - - - 3,7%

2003 52,4% 42,5% - - - 5,1%

2004 27,2% 65,0% - - - 7,8%

2005 36,1% 40,0% 14,0% - - 9,9%

2006 52,7% 26,4% 13,5% 2,0% - 5,4%

2007 35,5% 25,3% 22,7% 4,5% 12,0% 0,2%

2008 41,7% 21,7% 29,5% 3,4% 3,7% -

2009 42,2% 30,8% 21,0% 2,5% 3,5% -

2010 41,0% 18,0% 11,6% 2,4% 27,0% -

2011 68,8% 19,0% 4,8% 3,8% 3,6% -

Contratos futuros de boi gordo (BGI) vendidos


2002 37,9% 56,9% - - - 5,2%

2003 66,4% 30,5% - - - 3,1%

2004 58,7% 31,6% - - - 9,7%

2005 48,3% 43,1% 1,8% - - 6,8%

2006 27,2% 33,1% 8,1% 25,9% - 5,7%

2007 9,8% 38,3% 19,3% 19,5% 8,5% 4,6%

2008 8,6% 40,9% 23,7% 22,2% 4,6% -

2009 17,7% 49,0% 21,9% 4,7% 6,7% -

2010 18,5% 61,7% 9,3% 4,9% 5,6% -

2011 13,0% 40,3% 10,1% 2,6% 34,0% -

Fonte: Elaborado pela autora com base nos dados fornecidos pela BM&FBOVESPA.

Notas: PF = Pessoa Física, PJNF = Pessoa Jurídica Não-Financeira, IN = Investidor

Institucional Nacional, NR = Investidor Não-Residente no país, PJF = Pessoa Jurídica

Financeira, Demais = Demais investidores participantes do mercado.

59 Nesta estatística os contratos futuros de açúcar cristal e etanol não estão incorporados por falta de dados de

comercialização para alguns períodos.

81

Tabela A2 – Mercado futuro de milho

Contratos futuros de milho (CCM) comprados


2002 27,0% 72,4% - - - 0,6%

2003 45,5% 53,3% - - - 1,2%

2004 41,9% 55,6% - - - 2,5%

2005 29,8% 68,7% - - - 1,5%

2006 21,6% 77,1% - - - 1,3%

2007 30,5% 61,7% - - 4,2% 3,6%

2008 20,3% 70,9% 0,5% 3,2% 5,1% -

2009 13,0% 78,5% 1,3% 1,7% 5,5% -

2010 10,0% 68,9% 0,3% 3,6% 17,2% -

2011 19,0% 67,2% 2,5% 0,3% 11,0% -

Contratos futuros de milho (CCM) vendidos


2002 49,9% 49,3% - - - 0,8%

2003 55,4% 42,3% - - - 2,3%

2004 51,2% 44,8% - - - 4,0%

2005 40,1% 53,6% - - - 6,3%

2006 36,3% 57,9% - - - 5,8%

2007 25,4% 70,5% - - 2,5% 1,6%

2008 24,0% 61,0% 10,9% 0,9% 3,2% -

2009 15,4% 77,5% 3,9% 0,9% 2,3% -

2010 18,7% 61,3% 6,7% 5,5% 7,8% -

2011 28,8% 60,5% 4,6% 0,4% 5,7% -





82

Tabela A3 – Mercado futuro de café arábica

Contratos futuros café arábica (ICF) comprados


2002 8,3% 67,9% 1,8% 20,6% 1,4% -

2003 13,3% 82,9% 2,8% - - 1,0%

2004 7,7% 70,5% 0,8% 20,3% - 0,7%

2005 9,6% 47,8% 1,5% 39,8% 1,3% -

2006 11,2% 44,7% 1,2% 42,3% 0,4% 0,2%

2007 11,1% 51,9% 1,4% 29,0% 6,6% -

2008 6,8% 41,4% 1,5% 48,5% 1,8% -

2009 11,0% 58,2% 2,8% 27,2% 0,8% -

2010 10,0% 78,2% 5,5% 2,0% 4,3% -

2011 14,8% 81,6% 0,8% 1,4% 1,4% -

Contratos futuros café arábica (ICF) vendidos


2002 3,4% 52,0% 23,8% 12,6% 8,2% -

2003 2,3% 74,9% 21,8% - - 1,0%

2004 5,0% 53,5% 25,7% 13,8% - 2,0%

2005 5,0% 46,6% 24,5% 21,9% 0,9% 1,1%

2006 3,0% 45,7% 16,5% 28,4% 5,9% 0,5%

2007 7,5% 42,1% 8,5% 28,7% 12,9% 0,3%

2008 6,7% 35,7% 17,0% 26,1% 14,5% -

2009 4,2% 34,3% 23,2% 34,4% 3,9% -

2010 11,5% 44,9% 14,3% 17,9% 11,4% -

2011 13,8% 44,8% 15,8% 3,6% 22,0% -





83

Tabela A4 – Mercado futuro de soja

Contratos futuros soja (SFI) comprados


2002 23,0% 63,0% - - 14,0% -

2003 4,6% 95,4% - - - -

2004 7,2% 66,9% 25,9% - - -

2005 7,6% 80,7% 11,5% - - 0,2%

2006 2,6% 91,5% - 5,2% - 0,7%

2007 4,3% 91,8% - 2,2% - 1,7%

2008 4,3% 86,2% 7,2% - 1,4% 0,9%

2009 4,0% 92,9% - - 0,3% 2,8%

2010 5,8% 93,0% - 1,0% 0,1% 0,1%

2011 12,7% 85,2% - - 1,9% 0,2%

Contratos futuros soja (SFI) vendidos


2002 26,7% 58,8% - - 14,5% -

2003 23,4% 76,2% - - - 0,4%

2004 32,4% 65,3% 1,1% - - 1,2%

2005 14,3% 77,4% 7,9% - - 0,4%

2006 15,3% 78,6% - - 5,2% 0,9%

2007 15,2% 83,2% - 0,1% - 1,5%

2008 8,5% 84,7% 0,3% - 6,0% 0,5%

2009 10,6% 81,1% - - 4,9% 3,4%

2010 9,4% 81,3% - 5,2% 4,1% -

2011 11,1% 77,5% - - 11,4% -





84

APÊNDICE B – Resultados do teste de estacionariedade das séries financeiras.

Tabela B1 – Teste de raiz unitária Dickey-Fuller aumentado nas séries de retornos do índice

S&P500, índice Ibovespa e contratos futuros agropecuários de boi gordo, milho, café arábica

e soja, período 2002-2011

Variável Equação de teste Defasagens Estatística

de teste τ

Valor crítico

1% 5%

DLOGSP500 sem tendência e sem

constante 1 -39,7259 -2,5658 -1,9409

DLOGIND sem tendência e sem

constante 2 -30,6284 -2,5658 -1,9409

DLOGBGI sem tendência e sem

constante 4 -32,2892 -2,5658 -1,9409

DLOGCCM sem tendência e sem

constante 12 -14,0045 -2,5659 -1,9409

DLOGICF sem tendência e sem

constante 1 -39,6637 -2,5658 -1,9409

DLOGSFI sem tendência e sem

constante 4 -28,5985 -2,5659 -1,9409

Fonte: Elaborado pela autora com base nos resultados da pesquisa.

Notas: DLOGSP500 = retornos das cotações futuras do índice S&P500, DLOGIND =

retornos das cotações futuras do Ibovespa, DLOGBGI = retornos das cotações futuras do boi

gordo, DLOGCCM = retornos das cotações futuras do milho, DLOGICF = retornos das

cotações futuras do café arábica, DLOGSFI = retornos das cotações futuras da soja. O número

de defasagens (lags) utilizado no teste visou à minimização do critério de informação de

Schwarz.

85

Tabela B2 – Teste de raiz unitária Dickey-Fuller aumentado nas séries de volume diário

comercializado dos contratos futuros agropecuários de boi gordo, milho, café arábica e soja,

período 2002-2011

Variável Equação de teste Defasagens Estatística

de teste τ

Valor crítico

1% 5%

VOL_BGI com intercepto 12 -3,5142 -3,4328 -2,8625

VOL_BGI com intercepto e

tendência 8 -6,4979 -3,9618 -3,4116

VOL_BGI sem tendência e sem

constante 12 -2,3696 -2,5659 -1,9409

VOL_CCM com intercepto 10 -3,6844 -3,4328 -2,8625

VOL_CCM com intercepto e

tendência 10 -6,0120 -3,9618 -3,4116

VOL_CCM sem tendência e sem

constante 10 -2,4544 -2,5659 -1,9409

VOL_ICF com intercepto 4 -12,4081 -3,4328 -2,8625

VOL_ICF com intercepto e

tendência 4 -13,1784 -3,9618 -3,4116

VOL_ICF sem tendência e sem

constante 11 -2,6455 -2,5659 -1,9409

VOL_SFI com intercepto 12 -4,7955 -3,4330 -2,8626

VOL_SFI com intercepto e

tendência 12 -5,7092 -3,9621 -3,4118

VOL_SFI sem tendência e sem

constante 12 -3,1132 -2,5659 -1,9409


Notas: VOL_BGI = volume de comercialização do contrato futuro de boi gordo, VOL_CCM =

volume de comercialização do contrato futuro de milho, VOL_ICF = volume de

comercialização do contrato futuro de café arábica, VOL_SFI = volume de comercialização do

contrato futuro de soja. O número de defasagens (lags) utilizado no teste visou à minimização

do critério de informação de Schwarz.

86

APÊNDICE C – Resultados do Teste do Multiplicador de Lagrange (LM) para detecção de

heterocedasticidade condicional.

Tabela C1 – Resultados do Teste do Multiplicado de Lagrange aplicado aos resíduos das

séries de retornos, período 2002-2012

Séries de resíduos T * R² lags Prob. Qui-Quadrado

DLOGSP500 496,9525 4 0,0000

DLOGBGI 371,8690 5 0,0000

DLOGCCM 235,9193 2 0,0000

DLOGICF 267,4881 4 0,0000

DLOGSFI 460,5790 5 0,0000

DLOGSP500 = retorno do contrato futuro de Índice S&P500; DLOGBGI = retorno do

contrato futuro de boi gordo; DLOGCCM = retorno do contrato futuro de milho; DLOGICF =

retorno do contrato futuro de café arábica; DLOGSFI = retorno do contrato futuro de soja.

T = tamanho de cada amostra

R² = R² da equação do teste ̂ ̂

+ ̂ + ....+ ̂

+

87

APÊNDICE D – Procedimentos para a estimação do modelo BEKK utilizando o programa

estatístico S-Plus 8.0

Para utilizar uma versão gratuita do programa S-Plus (disponível apenas para estudantes),

seguir os seguintes passos:

1º) Acessar o site: <http://www.onthehub.com/tibco/>.

2º) Clicar em “FREE home copy of S+ Student Edition”.

3º) Selecionar o produto e clicar em “Add to Cart”.

4º) É necessário comprovar que o solicitante é estudante (ter uma cópia digitalizada do

histórico ou da carteirinha de estudante, por exemplo) .

5º) Selecionar a opção "I will submit proof of my academic affiliation (e.g. student ID or

report card)".

6º) Preencher os dados e anexar o comprovante. Em alguns dias será liberado um link para

download do S-Plus. Uma vez instalado, o programa poderá ser utilizado durante 365 dias.

OBS: Depois de instalar o programa S-Plus, deve-se instalar o pacote estatístico finmetrics, já

disponibilizado com a versão gratuita do software.

* Carregar o programa estatístico responsável pela modelagem da volatilidade utilizando

modelos multivariados:

> module(finmetrics)

* Chamar a tabela que contém os dados referentes às séries financeiras a serem modeladas

(nesse caso, cada arquivo contém duas séries: mercado financeiro e mercado futuro)

> nome_da_tabela = read.table("C:/Users/Quantum/Documents/VAS/Dissertação/Cotações

futuras/dlogbgi.txt", header=T)

* Linha de comando responsável pela estimação do modelo BEKK:

> mbekk.nome_do_arquivo = mgarch(nome_da_tabela~arma(1,1),~bekk(1,1), cond.dist=”t”)

* Resumo dos resultados da estimação do modelo BEKK:

> summary(mbekk.nome_do_arquivo)

* Chamar o menu de opções para a visualização dos resultados provenientes da estimação do

modelo BEKK:

> names(mbekk.nome_do_arquivo)

[1] "residuals" "sigma.t" "df.residual" "coef"

[5] "model" "cond.dist" "likelihood" "opt.index"

[9] "cov" "std.residuals" "R.t" "S.t"

[13] "prediction" "call" "series"

* Visualizar a volatilidade estimada:

> mbekk.nome_do_arquivo$sigma.t

* Visualizar a correlação estimada:

> mbekk.nome_do_arquivo$R.t

* Visualizar a covariância estimada:

> mbekk.nome_do_arquivo$S.t

88

APÊNDICE E – Equações resultantes da multiplicação de matrizes estimadas pelo modelo

BEKK bivariado.

E.1) Mercado financeiro internacional – Mercado futuro

a) S&P500-Boi gordo

Equações da média = ARMA (1,1)

= + + 2 +

+

+ ( ) + ( )

= + + ( ) + 2 ( ) +

+ + 2 +

= + ( ) +

( ( )) + ) + +

+ (( ) ) +

( )

b) S&P500-Milho


+

= + + 2 ( ) + ( )

+

+ +

= + + + 2 +

+ 2 ( ) +

= + + (( )

) + ( ) + ( ) + (

( ) + ( )

89

c) S&P500-Café arábica


= + + 2 ( ) +

( ) + + +

= + + + 2 +

+ 2 ( ) +

= + + (( )

) + ( ) +

( ) + ( ( ) )

( )

d) S&P500-Soja


= + + 2 +

+

+ ( ) + ( )

= ( ) + + ( ) +

2 ( ) + + + 2

+

= ( ) + +

( ( ) ) +

+ (( ) ) +

(( )

90

E.2) Mercado financeiro nacional – Mercado futuro

a) Ibovespa-Boi gordo


( ) ( )

( )

( ) ( )

( ) (

)

( ) ( ( ) )

b) Ibovespa-Milho

( ) ( )

( ) ( ) ( )

( ) ( ) (

( ) )

( )

d) Ibovespa-Café arábica

( )

91

( ) ( )

( ) ( ( )

)

( )

e) Ibovespa-Soja

( ) ( )

( ) ( )

(

)

( ) ( ( ) )

92

APÊNDICE F - Resultados da seleção de modelo para a estimação do Modelo de Auto-

Regressão Vetorial (VAR) entre volume e retorno dos preços futuros.

Tabela F1 - Seleção do Modelo (VOL_BGI DLOGBGI) para estimação do VAR - 2002:01 a

2011:12

Lag AIC SC HQ

0 14,07027 14,07498 14,07198

1 12,91174 12,92587 12,91687

2 12,75836 12,78191 12,76692

3 12,66534 12,69830 12,67732

4 12,62808 12,67047 12,64348

5 12,57497* 12,62677* 12,59379*


Notas: AIC: Critério de informação de Akaike; SC: Critério de informação de Schwarz; HQ:

Critério de informação de Hannan-Quinn.

*Indica a ordem da defasagem (lag) selecionada pelo critério especificado.

Tabela F2 - Seleção do Modelo (VOL_CCM DLOGCCM) para estimação do VAR - 2002:01

a 2011:12

Lag AIC SC HQ

0 12,23340 12,23811 12,23511

1 11,30918 11,32334 11,31433

2 11,11780 11,14139 11,12637

3 11,03863 11,07166 11,05063

4 11,00772 11,05019 11,02315

5 10,97768* 11,02959* 10,99654*





93

Tabela F3 - Seleção do Modelo (VOL_ICF DLOGICF) para estimação do VAR - 2002:01 a

2011:12

Lag AIC SC HQ

0 11,65038 11,65508 11,65208

1 11,46059 11,47470 11,46571

2 11,40731 11,43083 11,41585

3 11,39847 11,43139 11,41043

4 11,38300 11,42533 11,39838

5 11,35984* 11,41157* 11,37863*





Tabela F4 - Seleção do Modelo (VOL_SFI DLOGSFI) para estimação do VAR - 2002:10 a

2011:12

Lag AIC SC HQ

0 9,983999 9.989489 9,986012

1 9,591263 9,607735 9,597304

2 9,488359 9,515812 9,498427

3 9,460494 9,498928 9,474589

4 9,422487 9,471903 9,440609

5 9,395814* 9,456211* 9,417963*





94

ANEXOS

ANEXO A – Análise gráfica das séries de retorno, período 2002-2011.

Figura A1 – Retornos diários do índice

S&P500

Figura A2 – Retornos diários ao quadrado

do índice S&P500

Figura A3 – Retornos diários do índice

Ibovespa


do índice Ibovespa

-.12

-.08

-.04

.00

.04

.08

.12

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGSP500

.000

.002

.004

.006

.008

.010

.012

.014

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGSP500_SQ

-.15

-.10

-.05

.00

.05

.10

.15

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGIND

.000

.004

.008

.012

.016

.020

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGIND_SQ

95

Figura A5 – Retornos diários dos

contratos futuros de boi gordo


dos contratos futuros de boi gordo

Figura A7 – Retornos diários dos contratos futuros de milho.

Figura A8 – Retornos diários ao quadrado dos contratos futuros de milho

Figura A9 – Retornos diários dos contratos futuros de café arábica.

Figura A10 - Retornos diários ao quadrado

dos contratos futuros de café arábica

-.2

-.1

.0

.1

.2

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGBGI

.000

.005

.010

.015

.020

.025

.030

.035

.040

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGBGI_SQ

-.6

-.4

-.2

.0

.2

.4

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGCCM

.00

.04

.08

.12

.16

.20

.24

.28

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGCCM_SQ

-.15

-.10

-.05

.00

.05

.10

.15

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGICF

.000

.002

.004

.006

.008

.010

.012

.014

.016

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGICF_SQ

96

Figura A11 – Retornos diários dos contratos

futuros de soja. Figura A12 - Retornos diários ao

quadrado dos contratos futuros de soja.

Fonte: Resultados da Pesquisa.

-.3

-.2

-.1

.0

.1

.2

.3

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGSFI

.00

.01

.02

.03

.04

.05

.06

.07

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

DLOGSFI_SQ

97

ANEXO B – Histograma das séries utilizadas na pesquisa, período 2002-2011.

Figura B1 – Histograma da série de

retornos diários do índice S&P500

Figura B2 – Histograma da série de

retornos diários do índice Ibovespa

Figura B3 – Histograma dos retornos

diários dos contratos futuros de boi gordo

Figura B4 - Histograma da série de retornos

diários dos contratos futuros de milho

Figura B5 – Histograma dos retornos

diários dos contratos futuros de café

arábica

Figura B6 - Histograma dos retornos

diários dos contratos futuros de soja

0

200

400

600

800

1,000

-0.10 -0.05 0.00 0.05 0.10

Series: DLOGSP500

Sample 1/02/2002 12/29/2011

Observations 2518

Mean -2.07e-20

Median 0.000687

Maximum 0.109538

Minimum -0.094729

Std. Dev. 0.013883

Skewness -0.184005

Kurtosis 11.12281

Jarque-Bera 6936.612

Probability 0.0000000

100

200

300

400

500

600

700

-0.10 -0.05 0.00 0.05 0.10

Series: DLOGIND

Sample 1/02/2002 12/29/2011

Observations 2486

Mean 1.09e-18

Median 0.000478

Maximum 0.114915

Minimum -0.130941

Std. Dev. 0.017213

Skewness -0.277830

Kurtosis 7.710959



0

100

200

300

400

500

600

700

800

-0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10 0.15

Series: DLOGBGI

Sample 1/02/2002 12/29/2011

Observations 2473

Mean -9.57e-19

Median -1.18e-05

Maximum 0.189226

Minimum -0.191194

Std. Dev. 0.040068

Skewness 0.045427

Kurtosis 8.933828



100

200

300

400

500

600

700

800

900

-0.500 -0.375 -0.250 -0.125 0.000 0.125 0.250 0.375

Series: DLOGCCM

Sample 1/02/2002 12/29/2011

Observations 2469

Mean -1.26e-18

Median 0.000191

Maximum 0.382457

Minimum -0.518926

Std. Dev. 0.054223

Skewness -0.519900

Kurtosis 17.20766



0

100

200

300

400

500

600

700

-0.10 -0.05 0.00 0.05 0.10

Series: DLOGICF

Sample 1/02/2002 12/29/2011

Observations 2477

Mean -1.71e-18

Median -0.000195

Maximum 0.121971

Minimum -0.121263

Std. Dev. 0.021645

Skewness 0.149752

Kurtosis 7.598711



200

400

600

800

1,000

-0.2 -0.1 0.0 0.1 0.2

Series: DLOGSFI

Sample 1/02/2002 12/29/2011

Observations 2254

Mean -3.94e-19

Median -0.000386

Maximum 0.210806

Minimum -0.254503

Std. Dev. 0.032985

Skewness -0.165106

Kurtosis 15.47573



98

Figura B7 – Histograma do volume diário

de negociação dos contratos futuros de

boi gordo



milho



café arábica

Figura B10 – Histograma do volume

diário de negociação dos contratos

futuros de soja

Fonte: Resultados da Pesquisa

0

200

400

600

800

1,000

1,200

0 2000 4000 6000 8000 10000 12000 14000

Series: VOL_BGI

Sample 1/02/2002 12/29/2011

Observations 2484

Mean 1464.728

Median 723.5000

Maximum 15364.00

Minimum 24.00000

Std. Dev. 1654.548

Skewness 1.859703

Kurtosis 7.781373



200

400

600

800

1,000

1,200

1,400

0 500 1000 1500 2000 2500 3000 3500 4000 4500

Series: VOL_CCM

Sample 1/02/2002 12/29/2011

Observations 2468

Mean 398.7293

Median 206.0000

Maximum 4545.000

Minimum 0.000000

Std. Dev. 488.7665

Skewness 2.527247

Kurtosis 12.85468



0

50

100

150

200

250

300

350

400

0 1000 2000 3000 4000 5000 6000 7000 8000

Series: VOL_ICF

Sample 1/02/2002 12/29/2011

Observations 2480

Mean 1535.493

Median 1347.000

Maximum 7777.000

Minimum 22.00000

Std. Dev. 915.9632

Skewness 1.521289

Kurtosis 7.175343



200

400

600

800

1,000

1,200

0 400 800 1200 1600 2000 2400 2800 3200

Series: VOL_SFI

Sample 10/11/2002 12/29/2011

Observations 2272

Mean 206.6316

Median 125.0000

Maximum 3460.000

Minimum 0.000000

Std. Dev. 262.1259

Skewness 3.440973

Kurtosis 27.63397



99

ANEXO C – Gráfico dos quantis para as séries de retornos, período 2002-2011.

Figura C1 - Gráfico QxQ dos


em comparação com a distribuição

Normal



em comparação com com a

distribuição t - Student




Normal




t - Student

-.06

-.04

-.02

.00

.02

.04

.06

-.12 -.08 -.04 .00 .04 .08 .12

Quantiles of DLOGSP500

Qua

ntile

s of

Nor

mal

-.100

-.075

-.050

-.025

.000

.025

.050

.075

.100

-.12 -.08 -.04 .00 .04 .08 .12

Quantiles of DLOGSP500

Qua

ntile

s of

Stu

dent

's t

-.08

-.06

-.04

-.02

.00

.02

.04

.06

.08

-.15 -.10 -.05 .00 .05 .10 .15

Quantiles of DLOGIND

Qua

ntile

s of

Nor

mal

-.12

-.08

-.04

.00

.04

.08

.12

-.15 -.10 -.05 .00 .05 .10 .15

Quantiles of DLOGIND

Qua

ntile

s of

Stu

dent

's t

100


retornos diários dos contratos

futuros do boi gordo em comparação

com a distribuição Normal


retornos diários dos contratos futuros

do boi gordo em comparação com a

distribuição t – Student

Figura C7 - Gráfico QxQ dos retornos



Normal



em comparação com a distribuição t –

Student

-.15

-.10

-.05

.00

.05

.10

.15

-.2 -.1 .0 .1 .2

Quantiles of DLOGBGI

Qua

ntile

s of

Nor

mal

-30

-20

-10

0

10

20

30

-.2 -.1 .0 .1 .2

Quantiles of DLOGBGI

Qua

ntile

s of

Stu

dent

's t

-.2

-.1

.0

.1

.2

-.6 -.4 -.2 .0 .2 .4

Quantiles of DLOGCCM

Qua

ntile

s of

Nor

mal

-12

-8

-4

0

4

8

12

-.6 -.4 -.2 .0 .2 .4

Quantiles of DLOGCCM

Qua

ntile

s of

Stu

dent

's t

101


diários dos contratos futuros de café

arábica em comparação com a

distribuição Normal

Figura C10- Gráfico QxQ dos

retornos diários dos contratos

futuros de café arábica em

comparação com a distribuição t –

Student


diários dos contratos futuros de soja


Normal


retornos diários dos contratos futuros

de soja em comparação com a

distribuição t – Student

Fonte: Resultados da Pesquisa.

-.08

-.06

-.04

-.02

.00

.02

.04

.06

.08

-.15 -.10 -.05 .00 .05 .10 .15

Quantiles of DLOGICF

Qua

ntile

s of

Nor

mal

-.3

-.2

-.1

.0

.1

.2

.3

-.15 -.10 -.05 .00 .05 .10 .15

Quantiles of DLOGICF

Qua

ntile

s of

Stu

dent

's t

-.12

-.08

-.04

.00

.04

.08

.12

-.3 -.2 -.1 .0 .1 .2 .3

Quantiles of DLOGSFI

Qua

ntile

s of

Nor

mal

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

-.3 -.2 -.1 .0 .1 .2 .3

Quantiles of DLOGSFI

Qua

ntile

s of

Stu

dent

's t

102

ANEXO D – Correlograma dos resíduos da equação da média das séries de retornos, período

2002-2011.

a) Resíduos dos retornos do S&P500

Autocorrelation Partial Correlation AC PAC Q-Stat Prob *| | *| | 1 -0.106 -0.106 28.412 0.000

| | | | 2 -0.051 -0.063 34.987 0.000

| | | | 3 0.033 0.021 37.754 0.000

| | | | 4 -0.014 -0.011 38.241 0.000

| | | | 5 -0.043 -0.043 42.879 0.000

| | | | 6 0.015 0.003 43.413 0.000

| | | | 7 -0.040 -0.043 47.523 0.000

| | | | 8 0.032 0.026 50.117 0.000

| | | | 9 -0.008 -0.008 50.268 0.000

| | | | 10 0.029 0.031 52.354 0.000

b) Resíduos dos retornos do S&P500 ao quadrado

Autocorrelation Partial Correlation AC PAC Q-Stat Prob |* | |* | 1 0.202 0.202 102.65 0.000

|*** | |*** | 2 0.393 0.367 492.00 0.000

|* | |* | 3 0.196 0.086 588.71 0.000

|** | |* | 4 0.309 0.162 830.00 0.000

|** | |** | 5 0.336 0.239 1114.6 0.000

|** | |* | 6 0.313 0.142 1362.1 0.000

|** | |* | 7 0.323 0.124 1625.6 0.000

|** | | | 8 0.233 0.022 1762.8 0.000

|** | |* | 9 0.306 0.088 1999.3 0.000

|** | |* | 10 0.278 0.084 2194.6 0.000

a) Resíduos dos retornos do Ibovespa

Autocorrelation Partial Correlation AC PAC Q-Stat Prob |* | |* | 1 0.139 0.139 48.276 0.000

| | *| | 2 -0.052 -0.073 55.049 0.000

*| | | | 3 -0.081 -0.064 71.231 0.000

| | | | 4 0.017 0.035 71.910 0.000

| | | | 5 -0.028 -0.045 73.802 0.000

| | | | 6 -0.027 -0.020 75.670 0.000

| | | | 7 -0.038 -0.032 79.296 0.000

| | | | 8 0.009 0.010 79.485 0.000

| | | | 9 0.021 0.013 80.575 0.000

| | | | 10 0.047 0.039 85.981 0.000

103

b) Resíduos dos retornos do Ibovespa ao quadrado

Autocorrelation Partial Correlation AC PAC Q-Stat Prob |** | |** | 1 0.278 0.278 192.75 0.000

|* | |* | 2 0.205 0.139 297.68 0.000

|* | |* | 3 0.189 0.112 386.72 0.000

|** | |** | 4 0.324 0.254 647.54 0.000

|** | |** | 5 0.340 0.214 935.72 0.000

|* | | | 6 0.198 0.021 1033.4 0.000

|* | | | 7 0.185 0.043 1118.9 0.000

|** | |* | 8 0.238 0.089 1260.9 0.000

|** | | | 9 0.241 0.041 1405.4 0.000

|* | | | 10 0.207 0.026 1512.2 0.000

a) Resíduos dos retornos dos contratos futuros de boi gordo

Autocorrelation Partial Correlation AC PAC Q-Stat Prob ***| | ***| | 1 -0.418 -0.418 432.06 0.000

| | **| | 2 -0.031 -0.249 434.47 0.000

| | *| | 3 0.006 -0.148 434.54 0.000

| | *| | 4 -0.008 -0.102 434.72 0.000

| | *| | 5 -0.029 -0.107 436.77 0.000

| | | | 6 0.049 -0.027 442.61 0.000

| | | | 7 -0.028 -0.037 444.62 0.000

| | | | 8 0.000 -0.030 444.62 0.000

| | | | 9 -0.018 -0.050 445.42 0.000

| | | | 10 0.032 -0.005 448.01 0.000

b) Resíduos dos retornos dos contratos futuros de boi gordo ao quadrado


|* | |* | 2 0.210 0.098 416.67 0.000

|* | |* | 3 0.183 0.095 499.99 0.000

|* | |* | 4 0.186 0.095 585.79 0.000

|* | | | 5 0.161 0.054 649.74 0.000

|* | |* | 6 0.195 0.105 743.75 0.000

|* | | | 7 0.160 0.035 806.95 0.000

|* | | | 8 0.152 0.047 864.65 0.000

|* | | | 9 0.124 0.014 903.08 0.000

|* | |* | 10 0.182 0.097 985.50 0.000

104

a) Resíduos dos retornos dos contratos futuros de milho

Autocorrelation Partial Correlation AC PAC Q-Stat Prob ***| | ***| | 1 -0.399 -0.399 393.88 0.000

| | **| | 2 -0.048 -0.247 399.63 0.000

| | *| | 3 0.025 -0.123 401.19 0.000

| | *| | 4 -0.009 -0.077 401.40 0.000

| | *| | 5 -0.059 -0.123 410.16 0.000

| | | | 6 0.037 -0.065 413.59 0.000

| | | | 7 -0.012 -0.059 413.97 0.000

| | | | 8 -0.014 -0.061 414.44 0.000

| | | | 9 0.030 -0.017 416.62 0.000

| | | | 10 -0.012 -0.022 416.96 0.000

b) Resíduos dos retornos dos contratos futuros de milho ao quadrado


|* | | | 2 0.136 0.047 277.34 0.000

|** | |* | 3 0.228 0.193 406.51 0.000

|** | |* | 4 0.267 0.166 582.62 0.000

|** | |* | 5 0.267 0.155 759.10 0.000

|* | *| | 6 0.087 -0.076 778.02 0.000

|* | | | 7 0.144 0.070 829.33 0.000

|** | |* | 8 0.323 0.211 1088.5 0.000

|*** | |* | 9 0.353 0.207 1396.6 0.000

|* | | | 10 0.158 -0.026 1458.9 0.000

a) Resíduos dos retornos dos contratos futuros de café arábica

Autocorrelation Partial Correlation AC PAC Q-Stat Prob *| | *| | 1 -0.072 -0.072 12.852 0.000

*| | *| | 2 -0.080 -0.086 28.681 0.000

| | | | 3 0.017 0.004 29.363 0.000

| | | | 4 0.052 0.048 36.134 0.000

| | | | 5 -0.029 -0.020 38.243 0.000

| | | | 6 -0.018 -0.014 39.005 0.000

| | | | 7 0.013 0.006 39.421 0.000

| | | | 8 0.015 0.012 39.974 0.000

| | | | 9 0.000 0.006 39.974 0.000

| | | | 10 0.006 0.009 40.057 0.000

105

b) Resíduos dos retornos dos contratos futuros de café arábica ao quadrado


|* | |* | 2 0.172 0.085 307.63 0.000

|* | |* | 3 0.142 0.075 357.95 0.000

|* | | | 4 0.115 0.046 390.72 0.000

| | | | 5 0.071 0.006 403.12 0.000

|* | | | 6 0.077 0.036 417.75 0.000

|* | | | 7 0.103 0.061 444.05 0.000

|* | | | 8 0.091 0.033 464.65 0.000

|* | |* | 9 0.128 0.079 505.11 0.000

|* | | | 10 0.078 -0.003 520.36 0.000

a) Resíduos dos retornos dos contratos futuros de soja

Autocorrelation Partial Correlation AC PAC Q-Stat Prob **| | **| | 1 -0.326 -0.326 239.45 0.000

*| | **| | 2 -0.121 -0.254 272.67 0.000

|* | | | 3 0.140 0.009 316.92 0.000

*| | *| | 4 -0.130 -0.120 355.01 0.000

| | *| | 5 -0.017 -0.090 355.69 0.000

|* | | | 6 0.110 0.033 383.09 0.000

| | | | 7 -0.061 -0.008 391.47 0.000

| | | | 8 0.050 0.059 397.24 0.000

| | | | 9 -0.005 0.009 397.31 0.000

| | | | 10 -0.004 0.040 397.34 0.000

b) Resíduos dos retornos dos contratos futuros de soja ao quadrado


|*** | |** | 2 0.353 0.290 483.71 0.000

|** | |* | 3 0.271 0.131 649.80 0.000

|** | |* | 4 0.240 0.074 780.04 0.000

|** | |* | 5 0.297 0.157 979.43 0.000

|** | |* | 6 0.246 0.076 1116.1 0.000

|** | |* | 7 0.294 0.118 1311.5 0.000

|* | | | 8 0.157 -0.060 1367.2 0.000

|** | |* | 9 0.288 0.133 1555.0 0.000

|* | | | 10 0.175 -0.011 1624.1 0.000


106

ANEXO E – Análise do comportamento das raízes inversas do polinômio característico para

os modelos VAR preço-volume, período 2002-2011.

Root Modulus

0.972127 0.972127

0.219385 - 0.664305i 0.699594

0.219385 + 0.664305i 0.699594

-0.509538 - 0.422158i 0.661699

-0.509538 + 0.422158i 0.661699

0.336288 - 0.552909i 0.647146

0.336288 + 0.552909i 0.647146

-0.314703 - 0.558638i 0.641182

-0.314703 + 0.558638i 0.641182

-0.626633 0.626633

No root lies outside the unit circle.

VAR satisfies the stability condition.

Root Modulus

0.961617 0.961617

-0.310782 - 0.596515i 0.672619

-0.310782 + 0.596515i 0.672619

-0.649116 0.649116

0.363617 - 0.535196i 0.647033

0.363617 + 0.535196i 0.647033

0.151213 - 0.609014i 0.627505

0.151213 + 0.609014i 0.627505

-0.474465 - 0.345790i 0.587102

-0.474465 + 0.345790i 0.587102



a) Boi gordo

Root Modulus

0.867017 0.867017

0.224161 - 0.633167i 0.671676

0.224161 + 0.633167i 0.671676

-0.528782 - 0.356305i 0.637623

-0.528782 + 0.356305i 0.637623

-0.090198 - 0.541638i 0.549097

-0.090198 + 0.541638i 0.549097

-0.514891 0.514891

0.310977 - 0.147139i 0.344030

0.310977 + 0.147139i 0.344030



b) Milho

Root Modulus

0.909166 0.909166

-0.390045 - 0.544906i 0.670118

-0.390045 + 0.544906i 0.670118

0.194488 - 0.634400i 0.663543

0.194488 + 0.634400i 0.663543

0.379169 - 0.502698i 0.629662

0.379169 + 0.502698i 0.629662

-0.501998 - 0.362847i 0.619403

-0.501998 + 0.362847i 0.619403

-0.392361 0.392361



c) Café arábica d) Soja
